基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下，基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高，因而处理复杂度高的问题，提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征，获得变换域的表征信号，将其作为卷积神经网络的输入，实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点，采用主成分分析方法对信号特征域进行降噪处理，提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能，通过理论分析及不同方法的实验对比，验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势，具有良好的工程实用性。     

涡扇发动机涡轮和机匣碰摩故障飞行试验研究

受装机空间限制,小涵道比涡扇发动机通常仅采用发动机振动值表征发动机的振动情况,无法准确对异常振动进行定位分析和排除。针对某台涡扇发动机在试飞中出现的发动机振动值异常现象,利用机载加装的应变片和振动传感器的测量数据,对故障现象进行了详细分析。结果表明:涡轮和机匣的碰摩导致发动机发动机振动值异常增大。总结了该型涡扇发动机涡轮和机匣碰摩中发动机振动值的发展趋势的特征,为迅速、准确定位后续飞行试验中的同类故障提供借鉴。