基于小扰动理论的桨叶叶素气动载荷计算方法

针对直升机飞行仿真应用,采用小扰动理论建立了桨叶叶素气动载荷计算方法。该计算方法集成了弹性桨叶挥舞-摆振-扭转模态,耦合了旋翼动态入流、非定常动态失速气动模型和旋翼配平模型。整个算法采用标准的状态空间格式。为验证算法,以UH-60A直升机为例,在低速和高速2种定常飞行情况下,研究了偏航流效应对旋翼气功性能的影响,结果表明高速飞行时偏航流效应对旋翼气功性能影响较大。模拟了桨盘平面诱导速度分布以及桨叶叶素气动载荷,将仿真结果与飞行试验结果进行对比验证,本文建立的方法可以准确地求解定常飞行时桨叶的非定常气动载荷,捕捉其沿方位角的变化特征,对于大速度前飞仍能适用。      

发动机羽流作用下的实时月尘运动仿真

月尘运动是月球探测器软着陆过程中不可或缺的重要环节,针对发动机羽流作用下月尘运动真实感不强和月尘颗粒运动模型过于简单的问题,提出了一种逼真的实时月尘运动仿真方法.通过计算流体动力学(CFD, Computational Fluid Dynamics)和二次谢别德插值(Quadratic Shepard)方法,分析和计算单个月尘颗粒的运动学模型,得到一定初始条件下粒子运动的二维轨迹曲线;通过分析粒子的数量、初始位置、初始速度、生命周期等参数对粒子运动学的影响和变化规律,抽象出月尘系统的粒子集;建立基于月尘粒子集的月尘运动模型.实验结果显示:该运动模型逼真的模拟了发动机羽流作用下月尘腾起、飞溅、弥漫、消散等运动过程,视觉真实感和实时性能良好,对研究真空环境中的月尘运动及月球软着陆等相关领域具有一定的参考意义.目前该方法已应用于北航虚拟现实国家重点实验室月球软着陆仿真系统.     

基于微多普勒特征的人体上肢运动参数估计

人体行走的雷达特征研究是近年发展起来的新的研究方向,基于雷达的人体目标探测在安全防护、灾害救援、生物力学和运动学研究等方面具有广阔的应用前景。人体走动时手和腿的摆动对回波信号产生调制,回波信号的微多普勒特征能精细地刻画体动规律,将有效地探测并估计人体的运动规律。主要研究人体上肢的雷达特征,首先以人体上肢的运动模型为基础,建立了其雷达回波模型,通过理论分析得到了参数估计的方法,通过广义Radon变换提取行人摆臂的微多普勒。最后通过仿真实验,验证了算法的有效性。     

基于火灾疏散安全指数的飞机客舱防火设计

为研究飞机客舱设计对防火性能的影响,首次提出火灾疏散安全指数(FESI) 的概念.利用PyroSim及Pathfinder仿真软件对飞机客舱的火灾场景和疏散过程进行模拟,确定不同客舱内表面积、出口宽度和高度及搭载人数下出口的FESI,分析以上设计因素对客舱火灾疏散能力的影响.使用BP神经网络算法确定几种窄体飞机在确保火灾疏散安全情况下的最大搭载人数.并以B737-800飞机为例对其疏散方案进行优化,模拟结果表明:客舱的内部表面积、舱门尺寸及座位数都是显著影响客舱防火性能的设计因素,典型布置下的B737-800飞机最大承载人数为154人,在疏散方案优化后可增加至175人.所提出的FESI不仅可对现有飞机的防火性能进行评估,优化客舱布局及人员疏散方案,还可为国产大型飞机客舱防火设计提供依据,同时为其他领域的消防研究提供参考.      

基于多标签协同学习的跨域行人重识别

跨域是行人重识别的重要应用场景，但是源域与目标域行人图像在光照条件、拍摄视角、成像背景与风格等方面的表观特征差异性是导致行人重识别模型泛化能力下降的关键因素。针对该问题，提出了基于多标签协同学习的跨域行人重识别方法。利用语义解析模型构造了基于语义对齐的多标签数据表示，以引导构建更关注行人前景区域的局部特征，达到语义对齐的目的，减少背景对跨域重识别的影响。基于行人图像全局特征和语义对齐后的行人局部特征，利用协同学习平均模型生成行人重识别模型的多标签表示，减少跨域场景下噪声硬标签的干扰。利用协同学习网络框架联合多标签的语义对齐模型，提高行人重识别模型的识别能力。实验结果表明:在Market-1501→ DukeMTMC-reID、DukeMTMC-reID→Market-1501、Market-1501→MSMT17、DukeMTMC-reID→MSMT17跨域行人重识别数据集上，与NRMT方法相比，平均精度均值分别提高了8.3%、8.9%、7.6%、7.9%，多标签协同学习方法具有显著的优越性。      

考虑临近车道行人对交通流影响的改进跟驰模型

基于实际人车混合行驶的情形,提出了一个改进的车辆动力学模型。该模型考虑了邻车道或横向的行人、自行车等对主干道车辆的驾驶行为影响。基于经典的最优速度模型,将主干道车辆与行人之间的横向距离和纵向距离作为参数引入最优速度模型中。为了验证所提模型的稳定性和有效性,利用线性稳定性理论,推导出模型的稳定性条件和非稳定性条件,绘制中性稳定性曲线,直观描述了交通流稳定区域大小。理论结果表明:考虑横向行人干扰因素的改进跟驰模型比传统的只考虑单一车道车辆因素的跟驰模型更加的稳定,并且不同参数的变化,所引起的稳态区域也会发生变化。采用了更加真实的优化速度方程,通过仿真实验来描述车辆的驾驶行为;仿真实验列举了2种实际场景:行人稀少和行人较多时。分别绘制了车辆的速度-时间变化曲线以及车辆的时空图,实验结果表明:横向行人的确会干扰车辆的正常驾驶;不同场景下,行人数量的多寡也会对车辆的驾驶行为造成不同程度的影响。      

基于渐进式注意力和分块遮挡的跨域行人重识别

针对跨域行人重识别中遮挡造成特征匹配缺失及细粒度辨识性特征被忽略的问题，提出了基于渐进式注意力和分块遮挡的跨域行人重识别方法。该方法通过学习行人未遮挡区域的多粒度辨别性特征，实现空间不对齐下的特征匹配。渐进式注意力模块将特征逐步分割为多个局部块，依次学习每块的辨别性特征，由粗到细地感知前景信息，从而解决目前网络不能提取多层次辨识性特征的问题，增强了特征的匹配能力；渐进式分块遮挡模块很好地适应模型逐步变强的学习能力特性，通过由易到难地生成遮挡数据，有效提取了未遮挡区域的辨识性特征，进而解决模型错误识别遮挡样本的问题，使得所提模型在遮挡情况下的鲁棒性得到有效提高。实验结果表明：所提方法在首位命中率和平均精确度2个指标上与当前主流方法相比具有显著的优越性；与2020年CVPR会议中QAConv行人重识别方法相比，在DukeMTMC-reID数据集(MSMT17→DukeMTMCreID)上的2个指标分别高出2.3%和6.2%，能够更加有效地实现跨域行人重识别，在OccludedDuke数据集(DukeMTMC-reID→Occluded-Duke)上的2个指标分别达到49.5%和39.0%，...     

M-FSVM在可靠性寿命分布模式识别中的应用CSCD

在产品的可靠性研究中,准确、有效地识别产品所属的寿命分布,是可靠性建模成败的关键。针对传统支持向量机(SVM)在解决多分类问题时存在不可分区域等缺陷,提出了一种基于多分类模糊支持向量机(M-FSVM)的可靠性寿命分布模式识别方法,建立了包括指数分布、正态分布、对数正态分布和威布尔分布四种常用寿命分布模式识别的模糊支持向量机模型,并进行了仿真试验研究。仿真试验结果表明,该模型能够克服传统支持向量机中存在的不足,能够对常用的寿命分布模式进行智能识别,识别率高,便于工程应用。     

基于多尺度联合学习的行人重识别

现有的行人重识别方法主要关注于学习行人的局部特征来实现跨摄像机条件下的行人辨识。然而在人体部件存在运动或遮挡、背景干扰等行人数据非完备条件下，会导致行人局部辨识信息丢失概率的增加。针对这个问题，提出了一种多尺度联合学习方法对行人辨识特征进行精细化表达。该方法包含3个分支网络，分别提取行人的粗粒度全局特征、细粒度全局特征和细粒度局部特征。其中粗粒度全局分支通过融合不同层次的语义信息来增强全局特征的丰富性；细粒度全局分支通过联合全部局部特征，在对全局特征进行细粒度描述的同时学习行人局部部件间的相关性；细粒度局部分支则通过遍历局部特征来挖掘行人非显著性的信息以增强局部特征的鲁棒性。为了验证所提方法的有效性，在Market1501、DukeMTMC-ReID和CUHK03三个公开数据集上开展了对比实验，实验结果表明:所提方法取得了最佳性能。      

地区公路网交通量分布仿真及规划

本文研究了地区公路网交通量分布仿真问题。通过“用户最优原理”,建立了模拟公路网上汽车交通量分布的非线性规划模型,并借助该模型研究了NT市公路网的现状、未来情况及多种建设方案实施后所引起的交通量分布的变化情况,据此提出了初步的规划方案。     

基于跨尺度特征聚合网络的多尺度行人检测

行人的空间尺度差异是影响行人检测性能的主要瓶颈之一。针对这一问题，提出了跨尺度特征聚合网络（TS-FAN）有效检测多尺度行人。首先，鉴于不同尺度空间呈现出的特征差异性，引入一种基于多路径区域建议网络（RPN）的尺度补偿策略，其在多尺度卷积特征层上自适应地生成一系列与其感受野大小相对应的候选目标尺度集。其次，考虑到不同层次卷积特征在视觉语义上的互补性，提出了跨尺度特征聚合网络模块，其通过横向连接、自上而下路径和由底向上路径，有效地聚合具有语义鲁棒性的高层特征和具有精确定位信息的低层特征，实现对卷积层特征的增强表示。最后，联合多路径RPN尺度补偿策略和跨尺度特征聚合网络模块，构建了一种尺度自适应感知的多尺度行人检测网络。实验结果表明，所提方法与当前一流的行人检测方法TLL-TFA相比，在整个Caltech公开测试数据集上（All:行人高度大于20像素）的行人漏检率降低到26.21%（提高了11.94%），尤其对于Caltech小尺寸行人子数据集上（Far:行人高度在20~30像素之间）的行人漏检率降低到47.30%（提高了12.79%），同时在尺度变化剧烈的ETH数据集上的效果也取得显著提升。      

基于无关变量分离的EFSM测试数据进化生成

扩展有限状态机（EFSM）相比于有限状态机（FSM）能够更加精确地刻画系统的动态行为,因而广泛作为各种控制流与数据流系统的测试模型。在EFSM模型的测试中,使用搜索的方法获得触发目标测试路径的测试数据是近年来的一个研究热点。为进一步提高搜索效率,在遗传算法（GA）的基础上提出一种自动分离测试路径中无关输入变量的方法,该方法通过分析模型中变量与迁移间的关系,判定不影响子路径中谓词条件的无关输入变量,进而从个体中将其分离以实现搜索空间的自动缩减,提升测试数据生成效率。对几种具有不同复杂度的基准EFSM模型进行实验后的结果表明,该方法生成有效测试数据的成功率均达到98.2%以上,且与未分离输入变量的遗传算法相比,所需平均迭代次数减少44.7%~85.9%,平均运行时间减少24.1%~85.5%。      

基于通道注意力机制的行人重识别方法

针对行人特征表达不充分的问题，提出了一种基于通道注意力机制的行人重识别方法。将通道注意力机制SE模块嵌入到骨干网络ResNet50中，对关键特征信息进行加权强化；采用动态激活函数，根据输入特征动态调整ReLU的参数，增强网络模型的非线性表达能力；将梯度中心化算法引入Adam优化器，提升网络模型的训练速度和泛化能力。在Market1501、DukeMTMC-ReID和CUHK03主流数据集上对改进后的模型进行测试评价，Rank-1分别提升2.17%、2.38%和3.50%，mAP分别提升3.07%、3.39%和4.14%。结果表明:改进后的模型能够提取更强鲁棒性的行人表达特征，达到更高的识别精度。      

基于ARVM模型的液体火箭发动机试验台故障预测方法

针对液体火箭发动机试验台故障子样少,故障预测精度低,故障维修保障困难等问题,在分析标准RVM优缺点的基础之上,提出了一种自适应能力较强的故障预测模型——ARVM(Adaptive Relevance Vector Machine)。为测试该模型,以某型轨控发动机高空模拟试验台管路流量、燃烧室压力为输入参量对推力矢量进行了预测,预测结果表明,ARVM方法能够有效跟踪推力矢量参数的变化趋势,并且获得了较高的预测精度和模型稀疏性。该方法对于复杂系统的故障预测和维修保障具有一定的理论价值和工程应用意义。     

热毛细液层非模态稳定性分析

利用非模态稳定性方法研究了亚临界情况下的热毛细液层对初始扰动和外加激励的敏感性.通过瞬态增长函数和反馈函数分别反映流场对初始扰动和外加激励的放大.研究结果表明, 小Prandtl数(Pr)下的亚临界流动对初始扰动和外加激励均十分敏感,最大扰动放大与Reynolds数(Re)的平方近似成正比.在大Pr下,只有回流的亚临界...     

两车道交通流的波动分析

对一个由快慢两条车道组成的交通流系统,将基于速度梯度的动力方程应用到每条车道上,得到一种新的交通流动力学模型,可以用来揭示车流的小扰失稳和走走停停等非平衡特性.研究了该模型的波动特性,包括冲击波、稀疏波和一阶波传播,数值计算结果表明该模型能够较好地处理冲击波和稀疏波现象,也能够正确地再现走走停停的交通现象.此研究有助于进一步理解多车道的驾车行为和多车道交通流的非线性动力学特性,从而可以提高交通管理与控制水平.     

基于FGN输入流的G/D/1排队模拟

传统的排队理论不适于分析高速网络表现出的自相似流量.通过实验仿真,主要考察平均等待时间和在队列分别为无限和有限情形下的队列尾部特征等参数,并对以FGN为输入流的G/D/1排队模型作了定性分析.结果表明在输入流的强度和方差基本相等且系统利用律大于某一阈值的情况下,队列平均等待时间随Hurst参数增大而显著增长.同时指出在相同的条件下考察队列尾部特征,具有有限队列长度的G/D/1排队模拟结果要远优于无限队列长度下的理论分析结果.      

飞行器动态下俯过程中的负阻力现象

利用水洞中动态测力/流动显示一体化实验系统,研究飞行器简易模型等速俯仰过程动态气动特性.测力天平为三分量内式尾支形式;利用氢气泡方法观测机翼上表面流动,测力和流动显示结果同时记录.当下俯无量纲角速度k≥0.11时,观测到正攻角时的负阻力现象.分析测力和流动显示结果,表明负阻力是下俯过程中上翼面流动由分离向附着恢复过程中的迟滞效应引起的,负阻力的大小与下俯无量纲角速度和下俯起始攻角有直接关系.