固体火箭发动机二次喷射控制矢量喷管流场仿真

采用基于Favre平均的三维N-S方程和k-ε湍流模型对固体火箭发动机二次喷射推力矢量喷管复杂干扰内流场进行数值模拟。空间上采用三阶精度差分格式进行求解,时间上采用隐式Jacobi点迭代方法进行迭代推进,直至流场收敛。数值模拟得到矢量喷管二次射流的激波系结构,以及复杂的主/次流干扰流动图像。二次喷射流场包含复杂的涡系结构和波系结构,还存在着边界层与激波的相互干扰、自由剪切层、激波、膨胀波和大尺寸分离。数值模拟还表明,高温燃气射流导致喷射孔附近喷管壁面处的温度相当高,需采取相应的热防护措施。     

基于小波分析的子带特征提取与选择方法

在研究了目标图像多尺度小波分解特性的基础上,提出了基于小波多尺度分解子带主成分的特征提取的算法。该算法利用图像在不同尺度的小波变换域中能量局部集中性,选择各子带能量较集中的局部小波系数构成图像目标特征向量。这种特征包含图像目标的主要边缘、纹理、灰度、结构等多种信息。由于对图像目标的特征信息的分布没有任何限制,因而适用于多种类型的图像的特征提取,可以解决单一特征提取方法中必须面对的所提取特征不明显的难点。这种特征向量对噪声有较好的鲁棒性。     

可变形定向破片战斗部模型试验和数值模拟研究

基于可变形定向破片战斗部的作用原理,设计了试验结构模型,并对其进行了静爆试验研究。根据试验结果,建立了有限元分析模型,利用LS-DYNA程序对可变形定向战斗部变形过程以及破片的飞散过程进行了数值模拟。结果表明,在目标方向破片密度和速度都有较大幅度增益,数值模拟与试验结果比较吻合。     

计算机控制小工具抛光技术中磨盘材料对去除函数的影响

研究了计算机控制小工具抛光(CCOP)加工中三种常用的磨盘材料对去除函数特性的影响,进一步完善材料去除模型,用以指导光学零件的加工。利用自行研制的AOCMT光学加工机床及接触式测量系统进行实验和分析。从去除函数形状、去除效率及稳定性、表面形貌三个方面进行了研究。实验结果表明:聚氨酯材料适用于粗抛光阶段;阻尼布材料适用于精抛光阶段;沥青材料适用于最后的修形加工和表面处理。     

基于MDO方法的卫星集成设计系统分析与实现

为解决多学科设计优化方法中多学科设计、多学科分析、多学科优化过程与卫星总体设计流程集成的问题,采用变复杂度建模技术,并借鉴产品数据管理思想,设计并实现了面向总体设计的卫星集成设计软件系统。阐述了软件的设计思想、系统组成和功能特点,并给出了月球探测卫星概念设计问题的具体应用实例,结果表明软件在解决多学科设计优化方法应用于卫星集成设计问题时的可行性。     

参数化滤波器逼近问题的全局最优算法

基于Lipschitz下界估值和分枝定界技术,给出了一维参数化小波滤波器逼近问题的全局最优算法。由于充分利用了滤波器逼近问题的特点,本方法将原来的Lipschitz算法的线性收敛速率提高为二次收敛速率。     

金属靶体材料动力硬度测试及动态阻力分析

以高速侵彻下45钢靶体侵彻阻力为研究对象,开展了弹体高速侵彻45钢靶体试验,获取了典型弹体对45钢靶体的成坑参数。基于高速侵彻阻力模型对靶体侵彻阻力及影响因素进行分析。结合流体动力学侵彻模型对不同弹体材料侵彻45钢靶体侵彻深度规律进行研究。研究结果表明:随着撞击速度的增大,45钢的靶体阻力从5. 13 GPa减小到3. 7 GPa;基于材料动力硬度测试方法的靶体动态阻力测试结果和理论计算结果吻合较好;随着靶体动态屈服强度的增大,靶体阻力呈线性增大的趋势;侵彻深度及靶体动态阻力理论计算结果和试验数据吻合较好,说明所提动态阻力确定方法可行,可为高速侵彻动力学研究提供参考。     

次级通道估计误差对Fx-Newton算法的影响

Fx-Newton算法在执行过程中需要估计次级通道模型,针对主被动隔振工程应用中次级通道估计存在误差的问题,假设输入信号为正弦信号,建立含次级通道估计误差的Fx-Newton算法结构模型,推导了Fx-Newton算法的稳定性条件,并就相位误差和幅值误差对Fx-Newton算法稳定性和收敛性的影响做了详细阐述。最后对两自由度主被动隔振模型开展仿真研究,验证了理论分析结果。     

面向作战任务的最小风险传感器调度方法

基于风险理论提出一种面向不同目标探测任务的传感器调度方法。将主动传感器辐射被截获风险和目标探测风险结合起来,建立一般目标探测框架下的传感器最小风险调度模型。分目标跟踪、目标识别和目标威胁等级评估三种情况将传感器最小风险调度模型具体化,给出不同情况下目标探测风险值的计算方法。针对模型的求解提出一种基于混沌思想、反向学习和双向轮盘赌的改进人工蜂群算法。通过仿真实验证明了模型的可行性和算法的有效性。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析;利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节;增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高;前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。