小波理论在大型空间智能结构振动控制中的应用

采用最优控制理论设计智能结构主动振动控制器,针对大型空间智能结构的低频和密频的特性,基于小波尺度函数变换,设计了智能结构的传感器、致动器;最后通过针对某大型空间智能桁架结构的仿真,表明该控制方法是行之有效的。     

加肋圆柱壳结构的FE-IE算法网格尺度划分原则

为了研究结构有限元耦合流体无限元算法的网格尺度划分原则,提出有限元-无限元算法中结构湿表面的网格尺度划分原则。数值计算结果表明,对加肋圆柱壳而言,在保证一个肋骨间距至少有2个有限元单元的前提下,将结构主振型弯曲波波长作为有限元-无限元算法中结构湿表面网格尺度划分的参考标准是可行的,即保证一个主振型分量波长内至少有6个有限元单元。提出以结构主振型分量的弯曲波波长(而不是最短的结构波长)作为有限元-无限元算法中网格尺度划分的参考标准,所得结论对于有限元-无限元算法中结构湿表面的网格划分以及控制内域流体有限元数量均具有十分重要的参考意义。     

多燃气发生器动力系统的温度自调节性能研究北大核心

多燃气发生器弹射动力系统可以随温度变化调节发射内弹道,通过对多个燃气发生器进行不同步点火,获得导弹在多股燃气生成并相互作用下发射过程的内弹道参数。针对多个燃气发生器的弹射动力系统,使用Matlab编程并求解内弹道微分方程组,对同一弹体在3种不同温度发射工况进行内弹道仿真试验,结果表明在不同时序对不同燃气发生器点火,可以使弹射动力系统得到基本一致的出筒速度。此项研究可为多燃气发生器发射动力系统的内弹道设计提供重要的依据。     

强非线性系统响应的研究

讨论了如下形式ｕ＋２εηｕ＋ｕ＋ｕε＝２εｈｃｏｓ（ｔ）的强 ｄｕｆｆｉｎｇ系统,式中ｕ上方的圆点表示对时间ｔ的导数,η为系统阻尼系,ε不要求是一个小量。对系统进行了变换,用多尺度法求得了系统的二次近似解,分析了稳定性。     

矢量偏差小波函数（Ⅰ）

在文献[1-6]的基础上提出了一种新的信号表示方法,并用最优控制理论实现了数值测试,结果表明该方法明显优于传统方法。     

关于建设高素质政治机关干部队伍的调查与思考

努力建设高素质干部队伍,是汀泽民同志站在时代发展和战略全局的高度,向全党全军发出的号召。当前,政治机关干部的能力素质如何,能不能肩负起履行“两个提供”的历史使命,应采取怎样的措施加强教育培养工作?带着这些问题,我们到航空兵、地空导弹兵、高射炮兵、雷达兵等不同类型部队,对32个军师旅团级单位的479名政治机关干部进行了调查,并作了一些分析和思考。     

参照化流形空间融合学习的敏感特征提取与异常检测方法

针对遥测振动信号冲击强、响应周期短、共振频带宽和小样本等特点导致异类模式识别率低的问题,提出基于参照化流形空间融合学习的敏感特征提取与异常检测方法。采用多尺度分析方法将信号正交无遗漏地分解到各尺度带中,提取多尺度特征构造高维特征集;以相同的正常信号样本结合相同类型的异常样本建立专属参照化模型单元,采用线性流形学习获取各参照化模型单元多尺度流形特征差异,增强异常特征的敏感性。融合各参照化模型单元的投影矩阵对原始特征集进行升维再学习,获取低维多尺度敏感流形特征;输入到分类器实现对未知样本状态辨识。实测信号处理结果验证了算法的有效性。     

基于双线性连接模型的超静定捆绑火箭助推器动力学响应分析

对于长径比较高的助推器来说,为了提高与芯级的连接可靠性,可采用超静定捆绑连接方式。这种捆绑连接方式增加了助推器动力学响应分析的难度。以超静定捆绑火箭助推器为研究对象,通过引入拉压双线性弹簧模拟捆绑连接装置,建立合理的动力学分析模型,对系统进行数值求解,获得径向冲击作用下助推器的动力学响应特性。通过与静定捆绑模型的对比,获得超静定捆绑助推器的广义位移、频谱和内力的响应,从而为工程应用提供一定的参考和理论支撑。     

基于多尺度特征融合的无人机识别与检测

为了解决复杂背景下的无人机目标识别与检测问题,提出一种改进的更快捷的区域卷积神经网络(faster-region-based convolutional neural network,Faster R-CNN)模型.针对视野内目标尺寸与标定训练集差异问题,设计了3种不同尺度感受野并行检测、权重共享的特征提取结构——多感...     

基于尺度无关损失优化的无锚图像目标检测

遥感影像中的目标检测是图像分析领域的一个基本而又具有挑战性的问题,特别是针对任意对象的海上目标检测近年来受到广泛关注。针对任意对象的图像目标尺度和形状不规则导致的目标检测参数敏感以及复杂背景和密集排列在非极大值抑制过程中出现假阴性的问题,提出了基于尺度基于尺度无关损失优化的无锚图像目标检测算法。将旋转边界框回归引入到典型的无锚网络全卷积单级目标检测器中,提出了与尺度无关的GIoU (SGIoU)损失用于图像目标检测的边界框回归,可以快速将预测框的形状调整为开始时与真实相似的形状,解决回归损失函数与检测器最终最优目标之间的不相容性的问题,并在回归过程中加快收敛速度。数据集实验表明：本方法在各类别P-R曲线下面积的平均值(mAP),优于现有的广义交并比(GIoU)损失函数和完全交并比(CIoU)损失函数函数。