一种非均匀采样的宽带雷达数字正交解调方法

数字正交解调是宽带雷达数字接收机的重要组成部分,灵活性和实时性是数字正交解调设计的关键问题。从二阶采样和多相滤波的原理出发,提出了基于非均匀采样的数字正交解调方法,给出了算法的实现结构,并通过仿真验证了算法的正确性。通过与低通滤波法、多相滤波法比较结果表明,基于非均匀采样的数字正交解调方法具有优化的实现结构和更好的实时性,可以用于宽带雷达数字接收机的设计。     

新算法在划船和伪划船效应中的应用

划船效应补偿是高精度捷联惯导系统解算的重要环节。通过研究其误差特性,推导了新的通用划船效应补偿公式。同时提出了角振动环境中伪划船效应的存在,对伪划船效应的产生原因、表达方式以及对捷联惯导系统的影响进行了分析。对新的补偿算法在划船效应和伪划船效应下进行了仿真试验。     

磨损身管下的杆式穿甲弹强度失效计算机模拟

针对某型105 mm钨合金超速脱壳穿甲弹在射击试验时出现的弹体强度失效现象,使用有限元分析软件对其强度进行了分析计算。计算分两种工况：正常状态下的弹体应力应变分布和磨损身管条件下的弹体应力应变分布。根据计算结果,证实了弹体强度失效是由于火炮身管过度磨损的原因所致。     

基于激光雷达的高炉回旋区深度探测研究

炼铁高炉回旋区深度的直接探测存在较大困难,提出了一种基于激光雷达的回旋区边缘探测方法。探测得到的回波信号存在较大噪声干扰,为提取边缘回波信号,首先对噪声特点进行分析,判明噪声包括白噪声和1/fγ非平稳随机噪声;由此采用多小波平移不变算法进行滤波处理;采用H ilbert-Huang变换对滤波后的信号进行处理,对其瞬时能量进行分析。由于回旋区边缘表现出较为强烈的局部能量,从能量谱中可较好地提取回旋区边缘信号。试验表明,采用激光雷达探测回旋区的深度,能较为真实地反映高炉回旋区的真实状态,其值较计算建模方法更可靠。进一步的研究可望得到回旋区的二维或三维形貌。     

基于双向搜索的运输路线优化算法

研究提出了基于有向图关联矩阵的双向搜索算法。此算法用于运输路线的优化计算,其基本过程为：首先分析路径和节点的拓扑关系,建立运输路线的有向图,然后简化有向图构建其顶点和边的关联矩阵,在关联矩阵的基础上从起点和终点分别查找出度和入度,通过双向搜索以快速查找出需要的最短路径。     

小型无人机航位推算定位算法研究与误差分析

对空中航位推算(DR)算法做了深入研究,提出了适用于小型无人机(UAV)的风速估计策略;将算法中各元素的误差对推算定位精度的影响进行了理论分析与数值计算;该研究结果应用于某小型UAV的航位推算/GPS组合导航系统的设计与实现中;飞行试验表明,通过提高对DR误差影响较大的元素的测量精度和风速的估计精度,有效提高了DR推算精度,与以往其他小型UAVs相比,在断开GPS对DR的修正后,DR精度保持在一定范围的持续时间显著延长.     

基于灰色关联分析的导弹制导系统性能评价

分析了影响导弹制导系统性能的五种主要因素,在此基础上确定了导弹制导系统性能的评价指标体系.根据灰色理论原理,建立了导弹制导系统性能评价的灰色关联分析模型并详细阐述了分析方法.通过实例对五种导弹制导系统性能方案进行了优劣度计算评价,计算结果说明了这种评价模型和评价方法是有效的、可信的,相比其他方法具有优势.     

ENO格式应用分析

对一类高阶、高分辨率的ENO格式进行了较为详细的讨论。通过一些典型算例的应用和同常用TVD类型格式的比较 ,说明了在计算中采用高阶格式分辨复杂流动结构的优越性。在对格式应用分析的基础上 ,指出了格式应用中需注意的问题。通过定量分析说明 ,高阶ENO格式在计算中 ,不但能够减少网格规模 ,而且能够明显提高计算物理量 ,特别是其导数的计算精度     

也谈加强大学生艰苦奋斗教育

本文以“两个务必”的要求为切入点 ,阐明了新形势下对大学生加强艰苦奋斗教育的必要性和紧迫性 ,并对如何开展艰苦奋斗教育提出了一些新的见解和方法     

长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune, LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练。在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正。为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune模型能够快速拟合,平均均方误差仅为1.033 5,明显低于直接预测误差1.536 8。为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证。结果表明,迁移后训练集预测精度提高了43.0%,测试集预测精度提高了20.2%。