激光探测气泡尾流研究

概述了探测气泡尾流的基本原理和重要现实意义.气泡尾流中包含有运动舰船的相关信息,激光穿过气泡尾流区域时会发生散射现象,通过对散射光的探测和分析,能达到对舰船的探测、辨别、识别的目的,这也是研制光制导鱼雷的基础.综述了目前国内外在这一领域的研究成果及研究现状,提出了将激光探测气泡尾流应用于实践亟待解决的理论和实践上的具体问题,同时对研究前景进行了展望.     

无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。     

适用于临近空间飞行器大变形的动网格策略

对于超大展弦比构型的低速临近空间飞行器而言,由于其在飞行过程中结构变形非常显著,因此基于计算流体力学的分析方法对于动网格提出了非常高的要求。为此,提出了一种适用于边界大变形的动网格策略,该种动网格基于映射的思想,将边界网格的位置变化以某种权重反映到流场网格,并更新网格节点位置。选取距离倒数的n次方作为权重,研究不同的权重指数n对网格变形的影响规律,然后开展了二维与三维动网格实例分析。结果表明,这种动网格方法能够很好地适用于大变形的情形,并能很好地保证变形后的网格质量。     

混合气体识别的响应等效性与瞬态信号正交分解模型

针对目前混合气体识别大多采用传感器稳态响应信号、基于线性混合假设或大量样本学习,而瞬态响应信号特征分析主要应用非正交分解的问题,提出一种基于响应等效性与瞬态信号正交分解的混合气体识别模型。分析金属氧化物半导体传感器对混合气体的响应特性,建立基于气体响应成分等效性假设的气体非线性混合模型,在此基础上,提出并应用一种新的正交基函数——扩展类Legendre正交基,对气体传感器瞬态响应信号进行分解;通过对正交分解系数与气体浓度的回归分析,验证二者之间的指数型关联关系,并以正交分解系数为特征参数,利用气体非线性等效混合模型对混合气体分解与辨识。实验结果表明,尽管这种混合气体识别模型仅用单一气体检测的先验知识,对混合气体的识别误差仍可达到15%以内。     

适用于海底观测网络的恒流远供系统可靠性分析方法

以水下单元的短路/开路故障模式为基础,提出一种分析缆系海底观测网络恒流远供系统可靠性的方法。根据系统供电和结构特性,将系统分成不同的供电链路和链路段。详细研究处于不同位置的各种水下单元发生故障时,对链路和观测设备的供电状态的影响。归纳导致系统和各链路无法正常导通、观测设备无法得到供电的状态情况,分析不同故障状态发生的概率,进而得出求解系统、供电链路与供电设备的供电可靠度的方法。通过算例分析,进一步梳理了3种供电可靠性的共性规律,说明在设计和建设恒流远供系统时,应综合考量这3种供电可靠性。     

双旋翼直升机旋翼的微多普勒特性分析

目前,国内外对双旋翼直升机的微多普勒特性研究相对还很少。建立了直升机旋翼回波的微多普勒模型,并基于该模型,分别计算了共轴式、横列式、纵列式以及交叉式双旋翼直升机的微多普勒。研究结果表明,不同种类的双旋翼直升机旋翼的微多普勒特性不同,通过对双旋翼直升机旋翼的微多普勒进行分析,可以对双旋翼直升机进行初步分类,为下一步双旋翼直升机的微多普勒识别提供了参考和借鉴。     

2014年美国导弹防御系统发展回顾

2014年,美国继续引领全球反导技术的发展,启动了多项反导技术新项目,重在提高杀伤和目标识别能力。本文结合2014年美国预算申请、研制计划和飞行试验,梳理了美国全球一体化反导系统的改进和部署情况,阐述了助推段探测、被动反导和反高超声速等技术发展动态,综合分析了美国反导系统的发展重点。     

基于频响函数的悬臂结构损伤识别

根据频响函数的Neumann级数展开式,提出了悬臂结构的损伤识别方法。首先根据频响函数的Neumann级数展开式,推导了损伤参数与频响函数的关系式,以此为基础建立损伤识别方程组;其次,考虑到噪声影响,求解时采用了多频率点的最小二乘法,以减小由噪声引起的误差;最后用一个悬臂结构模型对所提方法进行了验证。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

面向通信信号调制识别的半监督生成对抗网络框架

针对只有少量标签数据的弱监督条件下现有调制信号识别模型准确率较低的问题,提出基于生成对抗网络的半监督学习框架。该方法通过对通信信号进行冗余空域变换,使其在适应生成对抗网络模型的同时保留丰富的信号相邻特征;通过梯度惩罚Wasserstein生成对抗网络的引入,构建适宜电磁信号处理的半监督学习框架,实现对无标签信号样本的有效利用。为了验证所提算法的有效性,在RADIOML 2016.04C数据集上进行测试。实验结果表明,该方法在半监督条件下能训练出高效的分类器,获得优异的调制识别结果。