基于高斯数据增广的小样本数据无人机编队类型抗扰识别

近年来,随着无人机的应用越来越广泛,对无人机编队类型进行准确识别具有重要意义。基于此,对小样本数据下无人机编队类型识别问题进行了研究。首先,对目前常用的各种无人机编队类型识别方法进行了介绍,针对小样本数据无人机编队类型抗扰识别面临的主要问题进行了分析;其次,对所提方法涉及的理论背景进行了研究;然后,对所提无人机编队类型抗扰识别算法进行了详细阐述;最后以带有噪声的菱形无人机编队的位置坐标作为输入数据,使用所提方法进行仿真实验,仿真实验结果表明,以参数均方误差作为队形识别的准确度指标,所提方法可将均方误差由45.1降低至0.46,显著提高了无人机机群特征聚类的精度与鲁棒性,证明了所提方法在小样本数据无人机编队类型抗扰识别问题上的有效性。     

基于矢量分配的组合导航容错联邦滤波算法

针对高动态环境下飞行器组合导航系统因不确定故障导致导航精度下降的问题,提出了一种基于矢量信息分配的容错联邦滤波算法。设计矢量形式的故障检测函数,对各观测量进行单独的故障程度划分,克服了将故障子系统所有观测量同时隔离的缺陷;根据观测量是否异常,重构时变量测噪声矩阵和信息分配矢量系数,对子滤波器的状态变量进行信息分配,在隔离故障子系统异常观测量的同时,最大限度地利用正确观测信息。仿真结果表明,采用该算法能够充分发挥各导航子系统的优势,极大提高了导航子系统信息利用率,具有较高的精确性和容错性。     

一种α稳定分布噪声下的跳频参数盲估计方法

针对目前以高斯白噪声为模型的大部分跳频参数估计方法在α稳定分布噪声背景下,性能急剧下降的缺点,对跳频信号进行两次窗函数长短不同的分数低阶STFT,从而得到两组时频数据,,将两组时频数据点乘,得到新的时频表示,基于时频分析的跳频参数估计方法,实现跳频参数的估计。仿真实验表明,提出的方法有效抑制了α噪声,在α=0.8,GSNR≥1 d B;α=1.5,GSNR≥0 d B时,可以实现跳频周期的准确估计。在α=1.5,GSNR=3 d B时,该算法跳变时刻估计值最大相对误差比STFT低3%、比分数低阶STFT低1.6%,跳变频率估计值更加精确。     

侵爆弹对框架类建筑物毁伤效果评估研究

为研究侵爆弹对框架类建筑物的毁伤效果,利用LS-DYNA有限元程序对单枚侵爆弹打击四层五跨建筑物进行了数值模拟。该程序利用流固耦合算法来模拟炸药对建筑物的毁伤,为了验证该算法的有效性,进行了房屋内爆炸试验和试验原型数值模拟,房屋内爆炸试验结果与数值模拟结果吻合,验证了该方法的合理性。利用该程序对侵爆弹打击四层五跨建筑物进行了数值模拟,结果表明炸点在第2层走廊中心时建筑物毁伤等级为中度毁伤,为目标毁伤效果评估工作提供了一定的参考。     

低速大雷诺数混合飞艇气动性能分析

针对混合飞艇体积巨大同时气动外形复杂使得现有条件的风洞试验很难精确测量其气动性能的问题,开展了适用于混合飞艇气动性能分析的计算流体力学(CFD)的数值分析方法研究。考虑混合飞艇低速大雷诺数的特点,将变分多尺度方法 (VMS)与动态Smagorinsky大涡模拟(LES)模型相结合,提出了组合的VMSLES湍流模型。将基于RANS方法和LES方法的其他三种湍流模型相对比,利用雷诺数相近、实验数据丰富的6:1长椭球飞艇对不同的湍流模型进行了对比验证。结果显示LES方法预测结果与实验结果吻合较好,优于RANS方法,并能显示更多流动细节,而组合的VMS-LES模型能够更精确地捕获实验研究中观察到的二次涡。利用组合的VMS-LES模型对有翼HAV与多囊瓣HAV进行了气动性能分析,并研究了不同部件对飞艇气动特性的影响。结果表明,由于尾翼表面产生的一次涡与二次涡相互作用,尾翼在增加气动升力的同时也增加了阻力。     

一种新型模糊神经网络及其在故障诊断中的应用

提出了一种基于模块化模糊神经网络的非线性系统故障诊断新方法.该方法先使用模糊c-均值聚类算法(FCM)实现测量空间的模决分割以决定模糊规则的个数,再使用模糊IF-THEN规则对分割后的各区域分别采用局部BP模型去进行逼近,最后再通过离线学习以获得不同区域故障输出与测量输入的非线性动力学特性.应用表明,提出的模糊神经网络结构、原理及实现方法是合理可行的,经过离线学习后的网络可实现对非线性系统的在线实时状态跟踪和诊断,可提高故障检测的正确率和快速性,并具有较好的泛化性能.