含脱粘界面颗粒增强金属基复合材料局部应力场的尺度效应

在通过三相胞元方法求解出的复合材料有效刚度基础上,将三相胞元置于有效介质氛围中,且有效介质与复合材料具有相同弹性常数;根据有效自洽理论对受单轴拉应力作用的复合材料进行局部应力场分析,理论结果表明：只有考虑存在脱粘界面时,颗粒增强复合材料局部应力场具有明显的尺度效应,其应力值还与脱粘界面含量有关;基体承载的应力要小于外载应力,颗粒内纵向应力要大于外载荷,对基体材料起到了强化的作用,这与实际情况相符合。     

使用辅助变量的单静止站纯方位目标跟踪

利用现时刻之前的方位测量构造现在方位的预测值 ,形成了与现在测量方位在统计上独立的辅助变量 ,该辅助变量用以对拟线性估计算法的修正 ,能产生无偏的目标参数估计     

一类典型结构矩阵的WZ分解

WZ类矩阵分解是设计线性方程组求解中一类并行算法的数学理论基础。针对对称p-三对角矩阵,提出并证明该类典型结构矩阵的WZ分解式及其性质。进一步,当实对称p-三对角矩阵正定时,证明其WZ分解式中W因子具有元素均为实数的特点;当W因子对角线元素均为正实数时,分解式惟一。     

军用飞机改进改型研制费用的参数估算法

首先分析并建立了军用飞机改进改型研制的费用分解结构,阐明了与新研飞机在各分项费用上的差别。基于当量工程的概念提出了用减缩系数来估算改进改型研制的费用修正和各分项费用的减缩系数的估计方法,结合现有成熟的参数估算模型建立了相应的改进改型研制的费用估算模型。最后,以某型飞机的改型研制费用为例进行了实例分析,结果表明方法与模型具有较好的有效性和实用性。     

基于Hopfield神经网络的战时物资筹措模型

战时物资筹措是国防动员的一个重要组成部分,它实质上是一种基于约束的最短路径问题,Hopfield神经网络曾被用来解决最短路径优化问题。采用连续型Hopfield神经网络求解战时物资筹措问题,在已知供需量、通行参数等数据的情况下可快速确定物资筹措方案。这种方法针对战时物资筹措的特殊性如时间严格、道路通行受阻等具体情况具有很好的适应性。实验结果证明在问题规模较大的情况下模型具有收效速度快、计算结果准确性高等优点。     

基于样本加权的支持向量机预测方法

不同的样本对最终预测模型的贡献程度是不一样的。在分析了采用支持向量机解决回归预测问题基本原理的基础上,介绍了"预测误差权重"和"样本关联度权重"的两种样本权重确定方法,并将其引入到支持向量机预测模型中来,最后用实例证明了采用样本加权后的预测精度要更高,而采用"样本关联度权重"法的精度又比"预测误差权重"法的精度要高。     

激波/湍流边界层干扰中的自适应控制技术

从激波/湍流边界层干扰机理以及流动控制的迫切需求入手,从自适应涡流发生器、自适应鼓包、自适应微射流以及自适应次流循环四个方面对激波/湍流边界层干扰中的自适应控制技术研究进展进行了总结。分析认为,结合AI技术发展自适应流动控制技术,加速控制方式智能化,可作为新一代高超声速飞行器宽速域飞行的重要技术手段。具体来说,就是通过调节外加激励对高超声速飞行器不同区域实现局部流动加/减速、气动热防护、气动控制等功能,根据流场参数建立控制反馈回路,自适应调整局部流场结构,以满足工程实际需求。     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

空投UUV入水冲击有限元仿真

空投无入水下航行器(简称UUV)在入水的过程中,会受到水的强烈的冲击作用.掌握UUV在不同工况入水时所受冲击力的情况,对研究空投UUV壳体强度设计和安全入水方法都有着非常重要的作用.建立了UUV入水有限元仿真模型,并利用MSC.Dytran对UUV在多种工况下入水时所受冲击力的情况进行了计算.仿真结果表明,随着入水速度...     

纯方位目标运动状态的极大似然估计及迭代算法

针对非线性最小二乘法在国内目标运动分析中应用较少的现状,首先在二维平面内推导出关于纯方位目标运动状态的极大似然估计的计算公式并给出了基于高斯-牛顿迭代算法的计算过程及步骤,随后分析了极大似然估计的性能和迭代算法的收敛性.仿真计算的结果表明:当迭代初值与目标真实状态充分接近时,用所推导出的计算公式能够快速稳定地得到关于目标运动状态的极大似然估计,迭代算法形式简洁,计算量小.该研究成果可应用于舰艇作战系统目标被动跟踪定位软件.