弹道修正弹火力分配

相对于无控弹,弹道修正弹的射击精度大幅提高,原有的无控弹的火力分配方案已不适用于弹道修正弹,因此对无控弹与修正弹的集火射击特点进行了研究,提出了一种针对弹道修正弹的均匀分块火力分配方案,仿真实例证明,该方案合理有效,可以根据所要达到的毁伤概率迅速计算出分块形式以及各个分块的瞄准点与耗弹量,便于应用。     

非牛顿流体不定常环管流研究

本文采用积分变换的方法,找到了一类非牛顿流体在环形管道中不定常流动的解析解,并进行了数值计算,分析了非牛顿性系数和其他各参数对二阶流体不定常流动的影响,指出当二阶流体非牛顿系数相同时,环管流与一般管流比达到稳定的特征时间较短,并且相应的速度分布、平均速度分布数值均较小。在外半径相同时,环管流内壁的剪应力较之一般管流,其大小随内径而改变。环管流外壁剪应力总相应地小于内壁剪应力。     

低温等离子体用于高功率微波防护研究

等离子体对于高功率微波的攻击具有独特的防护效果。基于等离子体流体近似方法,利用COMSOL软件研究了高功率微波与柱状等离子体阵列相互作用过程中入射电场随时间的演变过程,分析了等离子体防护高功率微波的物理过程和作用机理。研究结果表明,入射的高功率微波会使等离子体参数发生剧烈变化,特别是其电子密度将急剧增加,从而使等离子体对入射的高功率微波表现出类似金属的电磁特性,最终实现对入射高功率微波的有效防护。此外,利用高频辉光放电产生柱状等离子体阵列,通过实验验证了等离子体对高功率微波的防护作用。最后,总结了基于等离子体的高功率微波防护技术需解决的主要问题。     

基于CNN的三相逆变器开路故障诊断及其样本条件分析

为了合理选择样本条件以实现高效的智能化诊断,以及克服智能化方法中传统反向传播(back propagation, BP)网络权值较多、局部信息提取能力不足的问题,对基于卷积神经网络(convolutional neural network, CNN)的开路故障诊断方法进行研究,并以典型的三相两电平逆变器为具体对象,着重分析样本时长、样本数量变化时,CNN方法相较于BP网络方法在网络权值数量、训练稳定性、诊断准确率上的量化优势。结果表明,基于CNN的方法可在权值数量远少于BP网络方法的情况下构建深度更深的诊断模型,并在更短样本时长、更少训练样本数量下实现高效、准确的开路故障诊断。     

典型线性火工分离装置作用过程数值模拟及试验研究

针对目前线性火工分离装置的优化设计主要依靠试验验证,成本高且设计优化迭代慢的问题,采用任意拉格朗日-欧拉方法建立典型线性火工分离装置的数值模型。通过火工分离试验和光子多普勒测速试验对上述数值模型进行验证,发现该数值模型具有较好的精度。使用该模型研究上述火工分离装置分离瞬态过程的力学机理,并定量分析多种因素对分离装置重点部位等效塑性应变等关键特征量的影响。研究发现,芯药线密度、分离板削弱槽底部的圆角半径对分离装置的作用过程有重大影响。此外,保护罩材质、削弱槽开口角度、分离板槽结构尺寸等因素对分离过程也有一定影响,但其影响相对较小。研究结果可以为典型线性火工分离装置的优化设计提供基础。     

高精度液压系统压力波传递速度在线测量试验

管内流体压力波传递速度是分析研究液压系统稳定性和动态品质的基础物理参数。从传输管路波动方程出发,推导三传感器测量原理,引入Foster等价剪切系数模型,对液压管路中各种影响因子进行高精度估计,采用Newton-Raphson迭代法减小数据处理误差,精确计算压力波传递速度。基于理论推导,搭建液压管路压力波传递速度在线测量试验平台,用MATLAB软件编程,实现了液压系统多种工况下压力波传递速度的精准测量与计算。试验结果表明：系统在典型的工作压力20 bar、50 bar、75 bar和100 bar下,压力波传递速度大约分别为1 320 m/s、1 338 m/s、1 363 m/s、1 380 m/s,所测结果在置信水平为95%的波速区间内误差在±1%范围内;管路压力波传递速度大小随工作压力的升高而增大,并依据试验结果给出了二者之间的函数关系;精确计算压力波传递速度需考虑管路材料对系统柔性的影响。试验和分析结果对液压系统管路压力波传递速度在线测量和预估具有重要指导意义和参考价值。     

融合图嵌入的Smooth-PCANet图像识别算法

主成分分析网络（Principal Component Analysis Network,PCANet）是一种简单的深度学习算法,在图像识别领域具有优秀的性能。然而PCANet在构建网络卷积核时只关注了图像的主分量信息,忽视了近邻像素点之间的位置关系。而通常情况下,图像的相邻像素点具有空间强相关性,因此利用图结构保持像素点的位置近邻关系更有利于网络提取有效特征。因此,我们将图嵌入思想融入PCANet,提出一种新的图像识别算法Smooth-PCANet。为了验证Smooth-PCANet算法的有效性,我们在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。     

无人机小样本条件下遮挡和混淆目标识别方法

针对无人机对地目标识别过程中的小样本问题以及目标存在的遮挡和混淆情况,提出了一种融合自注意力机制的小样本目标识别模型。在利用元学习思想获取小样本学习能力的基础上,将自注意力机制学习目标内部各部分之间的上下文依赖关系引入模型,从而增强目标表征能力,以解决遮挡和混淆情况下有效特征不足的难题。为验证模型效果,通过对基准数据集和无人机航拍数据进一步加工,构建了遮挡和混淆目标数据集,设置了不同的遮挡程度和背景混淆率。通过在不同数据集上的验证,并与深度学习模型对比,证明提出的模型具有更高的学习效率和识别正确率。     

基于Monte Carlo方法的一对二马尔可夫随机格斗模型

讨论了一对二马尔可夫随机格斗双方获胜概率计算问题。提出了一种新颖的一对二马尔可夫随机格斗任意对抗回合双方获胜概率的计算方法,该方法首先基于Monte Carlo仿真计算各个对抗回合中双方发射次序的概率分布,再利用全概率公式确定马尔可夫链的状态转移概率矩阵,从而克服了马尔可夫随机格斗模型往往只能提供无限对抗回合之后格斗双方获胜概率的缺点,为运用马尔可夫随机格斗研究火力运用和弹药分配提供了新途径,并用实例说明了该方法的有效性。