基于Adaboost的填充式防护结构超高速撞击损伤预测

填充式防护结构的显式弹道极限方程在对弹丸进行超高速撞击损伤预测时,由于填充材料、填充方式的不同,会导致预测结果与实测数据存在一定偏差。对此,采用机器学习方式将该问题转化为二分类问题,以碰撞过程中的弹丸撞击参数、防护结构参数作为分类特征,构建了基于Adaboost的填充式防护结构超高速撞击损伤预测模型。该模型以分类回归树（CART）作为弱分类器,通过对一系列弱分类器的加权组合生成强分类器,并通过对训练样本的循环使用,实现了小样本集下的撞击损伤预测。实验结果表明,建立的Adaboost预测模型对填充式防护结构的超高速撞击损伤具有良好的预测效果,总体预测率与安全预测率相比于NASA的弹道极限方程均提高了14.3%,具有更强的通用性。通过不同训练样本规模下的交叉检验,证明了该模型具有良好的鲁棒性与准确性。      

蜂窝夹层板超高速撞击极限方程分析

为分析撞击极限方程对蜂窝夹层结构的穿透特性的预测能力,调研得到了3类撞击极限方程的表达形式和等效方法,以及131个采用碳纤维复合材料(CFRP)面板的蜂窝夹层板结构的试验数据,并对撞击极限方程的预测能力进行了比较计算。结果发现,MET方程对他源数据的四种(未失效、失效、总体以及安全)预测率均大于80%,进行在轨航天器结构的失效分析时可优先选用;SRL方程对本源数据的安全预测率达到了100%,在他源数据上的安全预测率也很高,适用于航天器防护结构设计。探讨了撞击极限方程中的系数、速度分界值的优化思路,以提高撞击极限方程的预测率。     

结构方程模型的预测建模方法

提出一种结构方程模型的动态预测建模方法,从而可以在无须未来样本数据的情况下,预测系统要素之间未来的因果关系。采用矩阵谱分解,将协方差矩阵唯一分解为特征值矩阵和特征向量矩阵乘积的形式.分别应用经典的线性回归方法和高维群点主轴旋转预测方法对特征值矩阵和特征向量矩阵建立预测模型,提出一种协方差矩阵的后推预测算法.采用极大似然法,迭代估计未来结构方程模型的各种参数.仿真实验例示了该方法的主要计算步骤.计算结果显示,利用本模型得到的拟合值精度较高,预测模型真实可信,表明这种方法可以用于分析和预测结构方程模型.      

一种面向H.264/AVC的快速帧内预测选择算法

为提高I帧的编码效率,最新的视频压缩编码标准H.264/AVC,在空间域上 从多个方向进行多种模式的帧内预测,并使用率失真优化算法选择最佳模式,算法复杂度很 高.为此,提出了一种快速的帧内预测算法.针对亮度块的模式选择过程,提出了基于图像 熵值和滑动窗口机制自适应地调整熵值阈值的方法对宏块模式进行预判;针对亮度模式中多 个预测方向的选择,充分利用中间结果,预先排除一些可能性小的预测方向;在亮度块和色 度块相结合的率失真统计中,改变算法结构,预先计算色度块最佳模式.实验结果表明,算 法在不降低图像质量的基础上,编码速度平均提高76%,码率平均增加2.6%.      

Upper limit of the total magnetic flux in an active region according to the photometric-magnetic dynamical model

The photometric-magnetic dynamical model handles the evolution of an individual sunspot as an autonomous nonlinear, though integrable, dynamical system. One of its consequences is the prediction of an upper limit of the sunspot areas. This upper limit is analytically expressed by the model parameters, while its calculated value is verified by the observational data. In addition, an upper limit for the magnetic strength inside the sunspot is also predicted, and then, we obtain the following significant result: The upper limit of the total magnetic flux in an active region is found to be of about 7.23 × 10²³ Mx, namely, phenomenologically equal to the magnetic flux concentrated in the totality of the granules of the quiet Sun, having a typical maximum magnetic strength of about 12G. Therefore, the magnetic flux concentrated in an active region cannot exceed the magnetic flux concentrated in the photosphere as a whole.     

On prediction of re-entry time of an upper stage from GTO

The evolution of objects in geostationary transfer orbit (GTO) is determined by a complex interplay of atmospheric drag and luni-solar gravity. These orbits are highly eccentric (eccentricity >0.7) and have large variations in velocity and perturbations during a revolution. The periodic changes in the perigee altitudes of these orbits are mainly due to the gravitational perturbations of the Sun and the Moon. The re-entry time of the objects in such orbits is sensitive to the initial conditions. The aim of this paper is to study the re-entry time of the cryogenic stage of the Indian geo-synchronous launch vehicle, GSLV-F04/CS, which has been decaying since 2 September 2007 from initial orbit with eccentricity equal to 0.706. Two parameters, initial eccentricity and ballistic coefficient, are chosen for optimal estimation. It is known that the errors are more in eccentricity for the observations based on two line elements (TLEs). These two parameters are computed with response surface method using a genetic algorithm for the selected eight different zones, based on rough linear variation of the mean apogee altitude during 200 days orbit evolution. The study shows that the GSLV-F04/CS will re-enter between 5 December 2010 and 7 January 2011. The methodology is also applied to study the re-entry of six decayed objects (cryogenic stages of GSLV and Molniya satellites). Good agreement is noticed between the actual and the predicted re-entry times. The absolute percentage error in re-entry prediction time for all the six objects is found to be less than 7%. The present methodology is being adopted at Vikram Sarabhai Space Centre (VSSC) to predict the re-entry time of GSLV-F04/CS.     

基于学习的中段反导拦截时间和拦截点预测方法

弹道导弹实时、准确地预测拦截弹的拦截点与拦截时间，是实现中段突防的有效手段。针对弹道导弹中段突防中的拦截点坐标及拦截时间的预测问题，提出了一种基于监督学习的在线预测方法。以拦截弹的主动段关机参数和关机时刻为输入量，建立拦截时间和拦截点预测模型。在多层感知机神经网络的基础上构建有监督学习算法，通过攻防仿真获取拦截弹的参数制作训练数据集，在线下完成网络训练。仿真结果表明:神经网络能够有效在线预测拦截时间和拦截点坐标，预测结果的相对误差分别为0.124 3%和0.128 5%，拦截时间预测结果误差的平均值为0.224 0 s，拦截点预测结果距离误差平均值为2 016.48 m，均满足精度要求。      

有源集成器件PDN矢量拟合建模方法

基于矢量拟合(VF,Vector Fitting)原理和电路综合理论,提出了一种有源集成器件宽带电路建模方法,用于电磁兼容仿真.将在直流偏置下测量获得的端口参数采用矢量拟合方法转化为极点-留数与时域状态方程的形式;然后创建时域电路模型,将状态方程转化为与SPICE(Simulation Program with Integrated Circuit Emphasis)兼容的网表电路模型.该网表可以代替原芯片PDN(Power Distribution Network)用于电路仿真,最后使用该方法对样本芯片PDN模块建模并与相应的集成电路等效模型(ICEM,IC Electromagnetism Modeling)进行对比,结果表明:矢量拟合模型相比ICEM模型具有更宽的有效带宽以及更小的模型误差.     

基于Bayesian-MCMC估计的隐身飞机RCS模型优化

对隐身飞机的雷达散射截面(RCS)统计建模时,传统方法通过直接计算RCS样本的统计特征估计模型参数,可能会产生较大的拟合误差。本文提出采用贝叶斯-蒙特卡罗(Bayesian-MCMC )方法提高起伏模型的参数估计精度,从而减小模型的拟合误差。首先将卡方分布模型和对数正态分布模型进行贝叶斯推导,得到其特征参数的后验估计表达式。然后采用MCMC算法构造后验分布的马尔可夫链,从而计算特征参数的估计值。最后通过比较2种方法的拟合曲线及其误差可知,本文方法适用于2种起伏模型,模型参数的估计误差比收敛误差门限值低1~2个数量级,2种分布模型的拟合精度均提高50%以上。      

基于雷诺数的大气阻力模型在飞行器再入预报中的应用

随着对空间技术服务需求的增加和空间碎片主动移除技术的实现,未来空间碎片将以数量多、质量大、难分解等特点频繁再入大气层,给地面人员和财产安全造成更多威胁.因此,亟需对火箭体等大型航天器的大气再入进行预警,然而因缺乏合适的大气阻力系数模型难以实现高精度的大气再入预报.为此,在简化航天器模型的基础上引入基于雷诺数的大气动力模...