梯度加权局部分析解差分格式及其应用

提出了一种新的针对Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ方程符合含有梯度项的对流扩散方程的梯度加权局部分析解的有限差分格式，且给出了通用的系数表达式。ＧＷ－ＬＡＤ格式是基于积分型的有限体积法并且通过附加源项的方法来实现。能够适用于粘性和无粘性及不可压缩和可压缩的压力驱动流动。通过对叶栅流道中二维湍流流的计算表明ＧＷＬＡＤ格式与ＥＤ格式相比，具有较高的精度和很快的收敛速度并且得到更好的压力场和速度场。     

电大尺寸散射体的RCS计算方法研究

为了更加有效的求解电大目标散射计算问题,在避免谐振区效应情况下获得复杂目标的隐身雷达散射截面(RCS)特性,引用混合场积分方程(CFIE),在快速算法的求解迭代过程中采用共轭梯度算法(CG)的收敛技术,能够稳定的求解电大尺寸的RCS。计算和分析了金属球双站RCS和金属立方体双站RCS,并和精确计算、相关参考文献进行了比较,证明了方法的正确性,计算结果稳定,在工程实际上有较大的应用价值。     

陶瓷纤维梯度增强活塞的梯度方程研究

 功能梯度材料零件具有单质材料零件无法比拟的理化性能优势，然而由于材料分布复杂以及对功能梯度材料本身性能研究不充分，使性能分析存在很多困难。论文应用复合材料热性能理论，采用有限元分析软件ADINA，分析陶瓷纤维梯度增强活塞（材料梯度方程的参数不同）的温度分布和应力分布，结果表明陶瓷纤维梯度层可以明显改变活塞温度分布，缓和由于热膨胀系数不匹配，在陶瓷纤维增强层与活塞本体交界处产生的应力。根据计算结果拟合出温度峰值、整体应力峰值和层间应力峰值与方程系数之间的曲线，并加以验证。     

遗传算法设计梯度子实现优化的图象边界检测

计算机图象处理技术可广泛应用各种图象测试、模式识别和计算机视觉等领域，而图象边界检测是计算机图象处理的最基本和最低层的步骤之一。由于噪声的干扰和图象光照不均匀等因素的影响，目前的图象边界检测方法还不能有效地检测出各种不同模式的边界。本文提出了一种基于遗传算法和灰度梯试算子的图象边界检测法，通过对样本图象的训练，设计对训练样本模式最优的灰度梯度算子，增加了对噪声的抗干扰能力，并且使被检测出的边界更准确。     

基于形态学梯度矢量的图像边缘提取算法

图像的边缘在很大程度上可以用梯度的概念来解释和描述,而现有的形态学梯度边缘检测算子抹煞了梯度的矢量性。文章提出了一种新的图像边缘提取算法:在边缘检测部分提出了具有方向估计的形态学梯度算子,且从理论和实际应用两个方面给予证明。并将模糊处理加入该系列算子,使这些算子在噪声抑制和提高边缘清晰度两方面均有较好的表现。同时在图像分割部分改进了最佳阈值化分割,利用小范围的边缘梯度各方向上的最佳阈值化进行调整,使图像的边缘更加完整、清晰。     

基于B-样条插值的图像边缘检测

为了能高质量地进行图像边缘检测,提出了一种新的基于B-样条插值的边缘检测方法.该方法为了保证图像边缘检测后的质量,采用3次B-样条对图像的像素点灰度值进行插值运算,提出了基于B-样条插值的一阶和二阶微分算子,并引入数字滤波技术加以实现.利用B-样条可分离的特性,实现了2维空间的基于B-样条插值的连续图像的重构函数,在此基础上提出了用于边缘检测的基于3次B-样条的一阶梯度模板和二阶微分模板.该方法非常适合于采用硬件的并行化实现,极大地提高了图像处理速度和边缘检测质量.     

相位法曲面三维可测梯度极限的研究

简述了相位法曲面三维全场无接触检测的基本原理，研究了被测曲面的梯度变化对频谱分析和滤波处理的影响，推导出相位法曲面可测梯度极限的理论公式，并通过锥面测量验证了这一公式的正确性。     

一种改进的数字式波束形成的快速自适应算法

提出了一种改进的数字式波束形成的快速自适应算法,即具有严格约束最小功率的抽样矩阵梯度算法(CSMG)。它综合了传统抽样矩阵梯度、算法和具有严格约束的最小功率自适应算法的优点。计算机模拟表明,此算法波束方向随约束角度而变,自适应调零能力较强,收敛速度也较快。     

飞机高能束增材制造结构研究

轻质高效、长寿命、多功能、低成本、快速响应制造是现代飞机结构技术的发展方向,但受限于传统制造技术,一些创新的结构存在"设计得出却造不出"的问题。高能束增材制造技术的发展为新概念结构工程的实现提供了契机。基于高能束增材制造技术,针对现代飞机结构特征需求,提出了大型整体化、梯度复合化和功能结构一体化等发展方向,创建了新概念构型,开展了设计与评定方法研究,提出了基于技术成熟度的工程化验证模式。     

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。