密集信号环境下分选参差雷达脉冲的新方法

在密集信号环境下,雷达信号参差类型的判定以及参差雷达信号分选一直是雷达信号处理的一个难题.研究了在密集信号环境下PRI参差判定门限的设计方法,在此基础上,提出了PRI参差雷达脉冲分选的新方法.仿真试验表明,该方法是切实可行的.     

柔性多体撞击系统的精细H∞控制研究

本文在柔性多体撞击系统动力学方程的基础上 ,将撞击看成是一种扰动 ,设计了一个稳定的控制器以使撞击扰动对控制输出的影响达到最小的目的 ,在分析过程中采用 H∞ 控制原理对该问题进行了研究。在计算中 ,将精细积分法应用于状态动力学方程和 Riccati方程的求解中 ,使计算精度得到大幅度提高。最后通过数值例题说明了本文方法的有效性     

微流星消融对中高层区域金属层的影响

采用连续的微流星体消融模型,对小微粒的流星颗粒(半径＜100μm)消融过程进行分析,并估计对中高层区域(80～110 km)金属层的影响．无线电流星雷达与激光雷达的探测结果表明,半径在100μm以上的流星颗粒的消融物并不是金属层主要的源．本文从流星颗粒的动量方程和能量方程出发,计算不同半径下的流星微粒在不同的注入速度下的消融剖面,并分析了流星消融截止高度的变化趋势．结合长期的激光雷达观测,计算表明,10～4μ半径的流星微粒是普通金属层的主要影响因素．     

武汉上空Na层季节和夜间变化的观测研究

根据武汉大学激光雷达2001年3月到2002年10月的观测数据,对武汉上空(30.5°N,114.4°E)的背景Na层结构进行了研究,并与其他观测站尤其是Urbana(40°N,88°W)的观测结果进行了比较。发现武汉上空11月的Na层柱密度最大,是4月的2.5倍,质心高度的极小值出现在5月和11月,极大值在4月、9月和12月;全年平均Na层均方根宽度为4.47km.Na层各参数呈现出周期性变化规律,其中Na层均方很宽度呈现出明显的半年周期性变化规律。夜间Na层柱密度呈现总体增加的趋势,质心高度在入夜后立即迅速上升,在2000LT以后上升速度趋缓,凌晨0500LT以后出现下降;Na层均方根宽度在夜间约有1.3km的起伏变化,它入夜后迅速减小,在午夜0035LT时出现一低谷,然后随时间逐渐变宽。     

一类广义特征值问题的扰动研究

研究了实正则对的广义特征值扰动问题。对于求解结构动力学、弹性动力学中的振动模态及分析受外界扰动后引起的谐振频率的变化都有一定的意义。     

单流体二维太阳风结构的磁流体力学模拟

在添加动量项的条件下，对单流体二维磁流体力学方程组进行模拟，得到了子午面上的太阳风结构，结果表明，添加动量项的形式及其被加入的位置对远区太阳风速度和质子密度有重要的影响。本文在适当的区域加入合适的动量项得出了远区太阳风速和质子密度与Ulysses观测基本符合的结果。文中给出了较合适的动量添加区域为3.5-10Rs(Rs为太阳半径）。     

极区中层惯性重力波的VHF雷达观测

本文采用ＳＯＵＳＹＶＨＦ雷达１９８７年６月在挪威Ａｎｄｏｐｖａ（６９°Ｎ，１０°Ｅ）的观测数据，研究中层惯性重力波的传播特征．几个周期为数小时的准单色波例子，在垂直方向上有确定的相位移动，表明它们是惯性内重力波．通过分析波相关的流体速度东向和北向分量的变化，获得水平传播矢量的大小和方向，它们与中层高度上典型的观测值一致．同时还观察到三个等相面上行的惯性重力波，其速度偏振椭圆是逆时针旋转的．波相关的扰动速度为１５－４０ｍ／ｓ，说明在中层存在强烈的向下的能量传输．估算出它的运动学参量，周期为数小时，垂直相速度在０．ｌ—０．６ｍ／ｓ之间，垂直波长约为６．０ｋｍ．     

嵌入式软件测试研究

简要介绍了软件测试的基本概念和理论;阐述了软件测试在产品研发过程中的地位与作用;结合嵌入式系统开发的经验和从事软件测试的体会,探讨了软件测试的策略以及如何进行软件测试的设计,并提出了针对我国企业软件测试现状的软件测试解决方案。     

大迎角下鸭翼涡与边条涡的干扰特性

 在风洞测力、水洞染色线和激光片光实验的基础上 ,对翼身组合体鸭翼边条翼布局大迎角涡系干扰机理进行了分析和探讨 ,揭示了该布局增升的机理。鸭翼涡位于机翼内侧 ,其与边条涡的相互诱导致使边条涡向外翼偏折 ,既改善了外翼的流态 ,又使机翼前缘涡量卷入边条涡 ,增强了边条涡的强度 ,从而延迟其破裂。两方面的共同作用 ,提高了主翼的涡升力 ,起到增升作用。     

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。