eLoran系统ASF网格应用算法研究

ASF网格是提高增强型罗兰（Enhanced Long Range Navigation，eLoran）系统精度的重要方法。根据所在网格四个顶点的附加二次时延（Added Secondary Factor，ASF）值通过网格应用算法得到待测试点的ASF值，一定程度上比公式计算的ASF值更准确。在计算过程中，用户四个顶点ASF值的测量误差会传递给用户，同时内插算法本身也会引入误差，此时内插算法的选择尤为重要。本文通过仿真、分析比较几种常用的内插算法，得出结论：反距离插值算法引入的误差最大，双线应插值算法引入的误差最小，而且误差呈现一定层次感，网格从内到外误差逐渐减小。     

基于改进无模型自适应算法的涡扇发动机限制保护控制方法

针对发动机限制保护控制问题,提出了一种基于数据驱动的改进无模型自适应限制保护控制方法。以主回路闭环系统为设计对象,通过在常规无模型自适应控制律的准则函数中增加误差变化率,使超限保护系统具有更快的响应速度,给出了改进后系统的稳定性条件,并采用临界比例度法进行了控制器参数整定。仿真结果表明:在不同工作点,所设计的改进无模型自适应限制保护控制器相比常规无模型自适应限制保护控制器,最大超限平均减小2.97%,响应时间平均缩短2.30s,实现了发动机超限后的迅速回调,保证了发动机系统的安全运行。     

弹性载荷设计中插值方法的研究

通过对考虑静气动弹性影响的载荷设计中多种插值方法的研究与比较,对适用于三维情况下的气动和结构模型之间耦合计算时的载荷传递和位移插值方法进行原理分析和优劣比较,最终确定了曲面样条函数和形函数面积坐标加权两种数据传递方法,分别对其进行了公式推导与编程实现,并利用已有的算例模型计算得出的各项气动力数据调用程序进行插值计算,最后将插值前后的结果进行对比来验证程序的合理性。     

一类有阻尼的强非线性自由振动问题的一种解法

本文用插值摄动法及改进的Ｌ－Ｐ法相结合的方法求解了一类有限尼的强非线性自由振动问题，得到了一级近似解。     

基于Kriging模型插值的孔位修正策略

飞机装配时的孔位精度直接影响其最终装配质量，而待制孔零件易发生变形和整体偏移，因此一般通过基准孔信息对待制孔位进行补偿。提出一种基于Kriging插值的孔位修正方法，通过基准孔建立孔位理论坐标与实际偏差值的Kriging模型，进而预测待制孔的孔位偏差，并给出每个位置的预测标准误差，以指导基准孔的增添和布置。最后通过有限元和数值实验分别验证了零件在极限变形和整体平移旋转情况下该方法的有效性，实现了孔位估计误差小于0.3 mm。     

基于谱插值和奇异值差分谱的滚动轴承静电监测信号去噪方法

采用静电传感器进行滚动轴承故障监测实验研究.针对滚动轴承静电监测中各种强噪声、故障特征难以提取的问题,提出了基于谱插值和奇异值差分谱的联合去噪方法.首先采用谱插值抑制工频干扰,然后将所得信号构造Hankel矩阵,求取奇异值差分谱并自动确定有用分量个数,最后重构信号.仿真和实验结果表明:仅采用奇异值差分谱或者小波去噪方法,无法从含有强工频干扰的信号中提取有用成分;所提出的方法相比较谱插值和小波去噪方法能够凸显早期故障特征频率.     

基于CFD/CSD松耦合的直升机配平分析方法

针对直升机配平问题，基于CFD/CSD松耦合策略建立了计入旋翼气弹效应的配平分析方法。旋翼桨叶CSD求解器与旋翼CFD求解器以桨叶弹性轴和变距轴线为媒介，通过线性插值方法交换气动载荷和响应数据。CFD模块和CSD模块在时域内推进，旋翼每旋转一圈交互一次数据，以CFD模块计算的气动力来修正配平计算中气弹分析的气动力输入，直到配平量和CFD气动力在迭代过程中不再变化，即得到耦合配平解。以SA349/2“小羚羊”直升机小速度前飞状态为算例，计算表明所提方法收敛迅速、稳定性良好，计算结果与飞行实测值的对比分析验证了方法的有效性，对桨叶气动力曲线及桨涡干扰等现象具有很好的捕捉能力。      

分析插值误差和斜率的轨迹优化网格细化方法

提出一种基于插值误差和斜率分析的轨迹优化自适应网格细化方法，包括节点插入算法和节点删除算法。节点插入算法分析各个离散节点的控制变量的插值误差。若插值误差较大，则在该节点周围增加节点细化网格；否则，不进行细化。节点删除算法分析各个离散节点处的控制变量斜率。若某个节点的左斜率和右斜率都为零，那么删除该节点；否则，保留该节点。采用三个典型的轨迹优化算例验证了所提出的方法的有效性和特色，并且与其它几种网格细化方法进行了对比。仿真结果表明，本文方法生成的网格规模较小，需要的网格迭代次数较少，能够快速、高精度求解非光滑轨迹优化问题。     

基于深度学习的毫米波和亚毫米波成像仪的图像增强技术

风云四号卫星毫米波和亚毫米波成像仪(MMSI)数据根据采样方式分为过采样和非过采样数据。由于采样方式的影响,非过采样数据在采样过程中会有一定的信息损失。为解决采用简单的线性插值方法做精细化处理时提升精度有限问题,采用基于深度学习的方法增强MMSI亮温图像,设计卷积神经网络重建风云四号卫星MMSI的亮温图像和风云三号卫星微波成像仪亮温图像。实验结果显示:相比传统的双三次插值方法,在风云三号卫星微波成像仪亮温图像样本上峰值信噪比提升了1.13dB,结构相似度提升了0.01。实验结果表明:对于非过采样亮温数据,采用基于深度学习的方法增强图像具有更高的精度,同时可在其他微波探测仪数据中使用,具有很强的普适性。