涡轮工作叶片型面气膜孔流量系数的实验研究

对涡轮工作叶片表面不同位置气膜孔的流量系数进行了系统的测量,在不同吹风比和雷诺数下测得了流量系数值,并分析了各种因素对流量系数的影响程度。结果表明在不同位置气膜孔流量系数分布规律有较大区别,孔排位置一定时,流量系数主要由吹风比决定。该实验结果对涡轮工作叶片表面气膜冷却的设计研究有重要意义。      

带肋壁与出流孔内流通道中肋角度对流量系数的影响

在根据相似理论放大的模型上,测量了带肋壁与出流孔内流通道中沿主流流向分布的各出流孔的流量系数C_d。实验在内流通道进口雷诺数为40000～80000,通道总出流比为0.30～0.60的范围内进行,重点分析了肋角度、内流通道进口雷诺数Re和通道总出流比SR对C_d的影响规律。结果显示:在本实验的工况范围内,沿内流通道布置的各出流孔C_d的变化幅度不大,在中后部略有上升;在相同流动状况下,C_d随肋角度的增大而增大,在120°时达到最大值;通道进口雷诺数和通道总出流比对C_d的影响都不显著。      

基于微分对策的导弹攻击策略

利用建立的垂直平面内交战双方攻击模型,应用微分对策理论,得到导弹的最优攻击策略,对比微分对策导引律与比例导引律在多种仿真环境下的结果,说明在近距离交战中,基于微分对策理论的导引律设计具有更大的优越性。     

反舰导弹基于虚拟目标的大空域变轨弹道设计

基于虚拟目标的概念,设计了一种适合于三维空间情况的简单的比例 导引律。利用该导引律引导反舰导弹去追踪空间的虚拟目标,可以使反舰导弹 实现大空域变轨弹道。采用大空域变轨弹道有利于发挥反舰导弹的机动能力, 增加飞行弹道的多变性,从而提高反舰导弹的突防能力。最后,通过弹道仿真证 明了所提出的比例导引律是很有效的。     

对全流量补燃循环发动机系统的研究与分析

论述了全流量补燃循环氢氧发动机的工作过程,并给出了基于这种循环方式的发动机的系统简图。根据现有的氢氧发动机的研制现状,针对全流量补燃发动机进行了系统参数的平衡计算。从这种循环方式的工作机理出发,结合参数计算得到的结果对这种循环方式的发动机的先进性进行了讨论。认为这种循环方式的氢氧发动机可以具有更高的可靠性,以及能够获得更高的性能,能够满足人们现在对高可靠性,低成本,可重复使用的液体火箭发动机的要求。      

电位主动控制试验装置供给单元的研制

为满足货运飞船表面电位控制的要求,研制了一种适用于航天器表面电位主动控制试验装置的供给单元。该供给单元重量轻、体积小、结构紧凑,具有氩气储存和微流量输出的功能,实测漏率≤1×10-4 Pa·L·s-1。根据实测漏率数据和流量控制器的流量压力特性,建立供给单元输出氩气流量、气瓶压力随时间变化的数学模型,计算得出其有效在轨工作时间约为360 s。以上结果表明,该供给单元的在轨储存能力和微流量输出能力均可以满足任务需求。     

奇异谱分析在太阳10.7cm射电流量中期预测中的应用

首次尝试利用信号处理技术奇异谱分析方法预测太阳活动低年未来27天太阳10．7cm射电流量．选取的预报试验时间段是2004年4月30日至5月30日,此试验期内太阳活动水平相对较低．在样本时间序列的构建上,吸取了相似周数据分析思路,采取的是23周实时观测数据与其相似周第20周下降年部分数据相结合的方式,既增加了样本长度又避开了太阳活动的活跃期．这31天的预报试验结果表明,大部分情况下,预报值基本上体现出F10．7的变化趋势,平均相对误差为10．5％;比同时期美国空军预测值的平均相对误差小,前者为11．3％,后者为14．6％;除两天外,SSA每一次27天的预报结果的平均相对误差比美国空军(AAF)的要小;对不同的时间提前量而言,AAF提前1天到提前12天的预报准确性较奇异谱分析方法要高,即AAF较短期的预报效果更好．     

飞机着陆调度的到达时间优化

机场终端区常常是整个运输网络的瓶颈,对到达交通流的优化可以有效的提高系统运行效率。本文研究了在着陆顺序已经确定的情况下,对到达航班流的预计着陆时间优化问题。建立了线性规划优化模型,提出了一种启发式算法。两种方法的对比计算分析表明:启发式算法在结果上与优化算法很接近,而且更为重要的是,它能更好的满足现实空管的复杂约束要求。     

基于TDC和ARM的高精度北斗授时系统设计

针对已有的电力、通信等授时系统精度较低的问题,设计了一种基于TDC和ARM的高精度北斗授时系统.该系统以STM32F2xx/STM32F4xx芯片作为核心信号处理器,对比标准1PPS与1PPS的相位差,结合TDC对时间延时的高精度测量技术,采用PID算法调整本地OCXO压控值,使OCXO输出稳定的时钟频率,进而达到高精...     

PTNet：一种面向加密流量分类的半监督并行Transformer网络

随着网络加密协议的广泛使用,传统的网络流量分类技术面临很大的挑战。目前的方法具有以下局限性：一是模型高度依赖深度特征,这要求有标注训练数据集的规模足够大,否则模型难以在新的数据上进行泛化;二是模型仅专注于流量的一个模态特征,不同类别流量的同一模态的特征区分度可能不够明显。针对这些问题,本文提出了一种基于深度学习的加密流量分类模型Parallel Transformer Net（并行转换网络,PTNet）。该模型基于预训练-微调的半监督思想,充分利用网络中大量无标签流量数据进行预训练,然后在少量有标签数据的基础上进行微调。此外,该模型并行提取了载荷和包长序列两个模态的流量特征,进行多模态的特征融合,并在三种不同的流量分类任务与相应的数据集（Android、USTC-TFC和CSTNET-TLS1.3,均为公开的数据集）上都表现出很好的效果,分类准确率分别达到95%、98%和97%。