战斗机的机敏性与超机动性（二）

3 机敏性(或称敏捷性) 3.1机敏性定义正如机动性最初才提出时的情况一样,对什么是机敏性?如何衡量它?它与飞机的作战效能有多大关系?设计战斗机时怎样来保证机敏性等方面目前还没有一个完全统一的认识。通常的说法是:机敏性是飞机的机动性和机动能力变化速率的综合评价。或者说飞机改变机动状态和转动机动平面的能力。对飞机的机敏性要求都是从如何取得空战优势的角度考虑的。例如,在战斗机1对1空战时,与空战胜负的直接有关因素为:(1)两机的相对速度、我机的角点速度     

机敏性指标RSD的计算与分析

对飞机敏性指标ＲＳＤ（后方分离距离尺度）进行了计算，通过计算得出，ＲＳＤ值受到飞机的滚转能力，俯仰能力及滚转时飞机阻力特性的综合影响。阻力特性中，由副翼偏度及滚转角速度引起的阻力对ＲＳＤ值起了重大作用，为此，从气动实验及计算中确定滚转中的飞机阻力特性的重要性是不可忽视的。     

基于间隙度量的高超声速飞行器包线定量划分

针对高超声速飞行器飞行包线划分缺乏依据、传统划分方法繁琐等问题,将能够描述模型差异程度的间隙度量理论引入到包线划分过程中,提出了一种新型包线定量划分方法。详细阐述了基于间隙度量理论的线性系统间差异度的定量计算方法;以间隙度量值为量化指标,通过分析模型全包线特性变化规律,给出了确定区域划分边界的方法,并在此基础上给出了一种基于模型差异程度最小化的控制器设计标称点选择方法。结合某型高超声速飞行器进行了验证,结果表明该方法能够提高包线划分过程的自动化程度,分区和标称点选择合理,控制效果良好。     

基于核主成分分析的多输出模型确认方法

目前对于不确定性环境下多个相关的复杂计算模型进行确认的方法存在计算困难及稳定性较差的问题。针对这类复杂计算模型,提出了一种新的基于核主成分分析(KPCA)的多输出模型确认方法。该方法将核主成分分析与面积法的思想相结合,构造了一个新的易于计算且稳定性高的模型确认指标。所提方法通过核主成分分析将相关的输出变量转化为不相关的核主成分,再对每一核主成分进行模型与实验的对比,从而避免了传统多输出模型确认方法中需要求解多个输出的联合累积分布函数的困难。由于核主成分分析(PCA)方法能够有效提取分析对象的非线性成分,因此基于核主成分分析的多输出模型确认方法较基于主成分分析的模型确认方法更为稳定,这表现在相同的实验样本数据下核主成分分析的方法具有更低的出错率。另外核主成分分析通过核主成分提取,可以实现多输出模型的降维,从而降低多输出模型确认的复杂度。所提方法既可以用于一般的多输出模型的确认,也可以用于多确认点的输出模型的确认。最后通过数值算例和工程算例证明了该方法的正确性与有效性。     

一种通用的基四Viterbi算法的实现

文章使用基四的ACS单元来设计高速、低功耗Viterbi译码器。相对于基二的ACS单元,其复杂度提高了一倍。因此,针对于具体FPCA硬件实现,将算法进行了优化,使得更适合于硬件实现。实际结果表明,优化后的算法使得器件资源减少了,复杂度降低了,而且系统性能也得以提升。     

An effective crack position diagnosis method for the hollow shaft rotor system based on the convolutional neural network and deep metric learning

In recent years, the crack fault is one of the most common faults in the rotor system and it is still a challenge for crack position diagnosis in the hollow shaft rotor system. In this paper, a method based on the Convolutional Neural Network and deep metric learning (CNN-C) is proposed to effectively identify the crack position for a hollow shaft rotor system. Center-loss function is used to enhance the performance of neural network. Main contributions include: Firstly, the dynamic response of the dual-disks hollow shaft rotor system is obtained. The analysis results show that the crack will cause super-harmonic resonance, and the peak value of it is closely related to the position and depth of the crack. In addition, the amplitude near the non-resonant region also has relationship with the crack parameters. Secondly, we proposed an effective crack position diagnosis method which has the highest 99.04% recognition accuracy compared with other algorithms. Then, the influence of penalty factor on CNN-C performance is analyzed, which shows that too high penalty factor will lead to the decline of the neural network performance. Finally, the feature vectors are visualized via t-distributed Stochastic Neighbor Embedding (t-SNE). Naive Bayes classifier (NB) and K-Nearest Neighbor algorithm (KNN) are used to verify the validity of the feature vectors extracted by CNN-C. The results show that NB and KNN have more regular decision boundaries and higher recognition accuracy on the feature vectors data set extracted by CNN-C, indicating that the feature vectors extracted by CNN-C have great intra-class compactness and inter-class separability.