关于跨声速流动问题的多重解

本文讨论了跨声速流小扰动方程Riemann问题的多重解及物理上可实现的解的判别。     

模糊贝叶斯方法在航空设备可靠性评估中的应用

在小样本情况下，利用数理统计方法来确定航空设备的寿命分布类型是不太适用的，本文运用模糊综合评判方法综合经验信息来确定先验分布，同时运用贝叶斯理论将统计推断建立在后验分布的基础上，给出了一种有小样本试验数据确定寿命分布的可靠性方法。     

旋转机翼悬停气动特性研究

鸭式旋转机翼(CRW)是一种先进的高速直升机方案,旋翼同时也是机翼,是其最关键气动部件之一。采用结构分区拼接网格技术进行空间离散,分区建立参考系,通过求解多重参考系下的N-S方程来计算旋翼流场,首先以传统的Caradonna-Tung实验旋翼的亚、跨声速悬停流场分析为例验证该方法的可靠性,进而采用该方法对旋转机翼悬停流场进行了数值计算,旋翼拉力计算值和地面实验值吻合较好,结果分析表明旋转机翼的悬停流场有着不同于传统旋翼的流场特性。     

日本"隼鸟"探测器的坎坷之旅

"隼鸟"(Hayabusa)探测器[见图1,以前被称为缪斯-C(MUSES-C)],于2003年5月9日,从日本九州的鹿儿岛航天中心由一枚固体燃料M-5型火箭发射升空,开始了它探访"糸川"(Itokawa)小行星的漫漫征程."隼鸟"质量为485.9kg(包括燃料),采用三轴控制方式,配备了氙离子发动机,用了2年零4个月的时间飞到"糸川"小行星的轨道.日本宇宙航空研究开发机构(JAXA)希望它成为世界上第1个"往返"型小行星探测器.按照原计划,这项耗资1亿美元的任务是追踪"糸川"小行星,采集其上的岩石样本,并于2007年6月着陆于澳大利亚的沙漠地区,完成它长达4年的旅程.     

动态信号多功能分析系统及其应用

以微型机为核心的所谓智能分析仪代表着当前测试分析仪器发展的新趋势。我们以 Apple-Ⅱ机为基础,研制了接口硬件,配备了多种软件所组成的价廉、实用的动态信号多功能分析系统。它能方便地和各类电测仪器(仪表)相接,使用灵活、功能广泛,是利用现有通用微机改造传统的电量测试仪的一种优良选择。文中在介绍该系统的硬、软件功能后,着重介绍了几个在力学、机械制造测试分析中的典型应用实例。     

数值求解二维定常跨音速流场多重解现象探讨

本文用时间推进法求解欧拉方程组计算二维平面叶栅绕流问题数值实验是否有多重解现象。计算结果表明,求解欧拉方程组进行流场数值模拟最终收敛与初场无关,不存在解不唯一问题,进而计算初场熵值大小,也发现初场熵值大小不影响终场结果。     

基于生成对抗网络的零样本图像分类

在图像分类任务中,零样本图像分类问题已成为一个研究热点。为了解决零样本图像分类问题,采用一种基于生成对抗网络（GAN）的方法,通过生成未知类的图像特征使得零样本分类任务转换为传统的图像分类任务。同时对生成对抗网络中的判别网络做出改进,使其判别过程更加准确,从而进一步提高生成图像特征的质量。实验结果表明:所提方法在AWA、CUB和SUN数据集上的分类准确率分别提高了0.4%、0.4%和0.5%。因此,所提方法通过改进生成对抗网络,能够生成质量更好的图像特征,从而有效解决零样本图像分类问题。      

Dirichlet混合样本的EM算法与动态聚类算法比较

Dirichlet分布是一类包含正参数向量的连续多元概率分布,在比例结构问题中具有广泛的应用。针对Dirichlet混合样本的聚类问题,进行了最大期望（EM）算法和动态聚类算法研究。首先,推导其数学过程,并给出算法迭代步骤。然后,利用数字仿真实验,比较了EM算法与动态聚类算法两种机器学习算法在Dirichlet混合样本中的聚类效果。最后,计算对数似然函数值、程序运行时间、收敛迭代次数、聚类正确率、真正率（TPR）和假正率（FPR）6个评价指标。仿真实验结果表明,EM算法聚类正确率更高但是运算效率相对较低,而动态聚类算法运算效率较高但是损失了部分聚类正确率。因此,实际应用中建议综合权衡聚类正确率与运算效率的相对需求后,再选取合适算法进行Dirichlet混合样本聚类。      

基于DBN的不均衡样本驱动民航发动机故障诊断

在结合深度置信网络(DBN)、采样与集成技术的基础上,提出了基于不均衡样本驱动的民航发动机故障诊断模型。该模型通过分析民航发动机历史飞行数据,利用DBN提取性能参数中的内部特征,利用采样技术将不均衡样本均衡化,采用集成技术进行故障分类。将该模型应用到CFM56-7B系列发动机历史飞行数据,实验结果表明:与常用故障诊断方法相比,该模型的准确率高达0.996,AUC值高达0.948,可以有效处理民航发动机样本高维、不均衡问题。      

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题，提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵，然后将所有像素的交叉熵按从大到小进行排序，随后确定一个K值作为阈值，筛选出前K个交叉熵最大的像素，最后对于筛选出的K个像素交叉熵取平均，做为损失值。在ISPRS 提供的 Vaihingen 数据集上，使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明，不同的K值，使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳，MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数