非结构网格下Euler方程的高分辨率高精度解

提出了一种非结构网格下求解Ｅｕｌｅｒ方程的高分辨率高精度迎风格式。以Ｒｏｅ的矢通量差分分裂为基础,吸收了ＮＮＤ格式的优点,使其具有捕捉激波和滑移线的良好性能;在时间方向上采用Ｊａｍｅｓｏｎ的Ｒｕｎｇｅ－Ｋｕｔａ积分,并结合局部最大时间步长和残差光滑技术加速收敛。最后成功地完成了二维平板激波反射、跨音速Ｌａｖａｌ喷管内的流动和ＧＡＭＭ超音速前台阶绕流等算例,显示了该方法的有效性     

圆柱管多分支联接三维分块贴体网格的耦合生成

利用分块耦合技术生成了两圆柱管成任意角度,管径不相等的三分支联接的三维贴体网格,所介绍的网格生成方法在分块生成网格时能保证穿过分界面上的网格线是光滑连续的。此外,用方法生成网格时间通过边界上网格的疏密或者稳定边界上网格线之间的夹角来控制内部区域的网格疏密。     

复杂动态系统实时仿真模型自动生成

提出了一种表示复杂动态系统数学模型的分层结构,探讨了模型变量与参数在实时仿真程序中的引用－赋值关系,提出了一个既包含了模型的数学特征,又包含了模型实时运行所需的信息的实时仿真模型分层结构。在此基础上设计了一个实时仿真模型库及实时仿真模型自动生成系统。     

飞机外形网格拓扑和多块网络拼接技术

多块网格方法成功的关键在于网格拓扑的选择和块与块之间的拼接方法,针对真实飞机外形多块网格生成,本文分析了研究了翼类和体类部件的各种网格拓扑,论述了翼身组合体的多块网格非结构连续拼接技术,指出连续拼接方法的缺点,以及相应的解决方法;同时还讨论了分块策略和确保块与块之间网格线安全连续拼接的方法,通过实例进一步阐述了本文工作的另外一些独到之处。     

采用等高线地图的CGF地域表示和推理

采用等高线地图作为分布交互仿真环境中计算机生成兵力的地域表示.介绍等高线电子地图下计算机生成兵力系统地域表示和推理的一种方法.通过对地域显示、通视性检测和地形检测等几个基本问题的分析,表明采用该方法是可行的.具有地域表示范围大、地域推理简单明了的特点,并且地域数据真实、修改方便.这种方法比多边形地域表示法更适用于海上和空中大范围训练作战环境的仿真.     

CL-20/HMX共晶及其混合炸药机械感度和能量性能研究

CL-20与HMX形成共晶,在能量损失相对较小的前提下有利于降低CL-20的感度,是目前CL-20基共晶材料研究的热点之一。为了促进CL-20/HMX共晶在混合炸药中的应用,采用水悬浮法分别制备了含HMX、CL-20、CL-20/HMX共晶的混合炸药,测试了不同炸药配方的机械感度、密度和爆速。以炸药配方的爆速测试结果为基础,对Kamlet公式进行修正,通过修正Kamlet公式及Urizar公式分别计算了HMX、CL-20、CL-20/HMX共晶的标准生成焓和特征爆速。结果表明,三种混合炸药中,含CL-20/HMX共晶的混合炸药机械感度低于40%,爆速大于8800 m/s,综合性能最好;三种单质炸药中,CL-20/HMX共晶的标准生成焓和特征爆速计算值较大,分别为851 kJ/mol、9335 m/s。     

基于CNLS-MMD的孪生混合网络四旋翼飞行器故障诊断方法

四旋翼飞行器在众多领域中应用广泛,由于工作环境复杂多变,四旋翼飞行器极易出现结构损伤性故障,给飞行器的安全性带来巨大的挑战,因此开展四旋翼飞行器结构损伤性故障的相关研究对提高四旋翼飞行器可靠性具有重要意义。针对四旋翼飞行器在实际应用中结构损伤性小样本故障数据诊断率低的问题,本文提出了一种在小样本条件下基于卷积神经网络和长短时记忆网络的孪生混合网络（CNLS-MMD）四旋翼飞行器故障诊断方法。首先,设计试验获取四旋翼飞行器多工况结构损伤性飞行数据并对数据进行预处理。其次,建立基于孪生混合网络的故障诊断模型,采用卷积神经网络（CNN）和长短时记忆网络（LSTM）构建CNLS混合模型提取数据特征,利用最大均值差异（MMD）衡量样本的相似度,实现对故障标签的预测。最后,选择不同样本数量的训练集训练模型,使用多工况小样本数据集对搭建的模型进行故障测试。结果表明,该故障诊断方法具有较好的诊断性能和泛化能力。     

基于RBF神经网络的结构光三维视觉检测方法

研究了基于RBF(Redial Basis Function)神经网络的结构光三维视觉检测方法.该方法利用RBF网络良好的非线性映射能力以及学习、泛化能力,通过所获取的高精度的样本数据来训练RBF网络,最终建立起了用于结构光三维视觉检测的RBF网络模型.与常规方法相比,该方法不需要考虑视觉模型误差、光学调整误差等因素对视觉检测系统测量精度的影响,因而能够有效的克服常规建模方法的不足,保证了检测系统具有较高的精度.     

基于生成对抗网络的空间卫星低照度图像增强

针对空间低照度成像条件下卫星光学图像信息受损严重的问题,提出了一种基于生成对抗网络的空间卫星低照度图像增强方法,提高了图像的平均亮度及对比度,恢复图像细节信息,为图像识别等图像处理技术提供更高质量的数据信息。首先,设计了一种密集连接的生成器,加强了各特征提取阶段中的信息传递以及多层特征的融合,减少了特征信息的损耗,更好地提取正常照度图像及低照度图像中相似的语义信息;并结合EnlightenGAN的思想,采用了全局 局部辨别器结构,使图像增强效果更自然。然后,在少量样本的条件下,利用非配对样本对该方法进行训练,并通过对输入图像进行随机缩放及翻转等数据增强方法提高模型训练效果,进而提升低照度图像增强性能。最后,对所提出的空间卫星低照度图像增强方法进行了仿真验证。试验结果表明,在空间低照度条件下,该方法在NIQE指标上较LIME及EnlightenGAN分别降低了1.034和0.699,保留了更多的图像细节,具有更高的整体和局部亮度、更高的对比度以及更自然的增强效果。     

基于GAN网络的红外图像生成技术

当将人工智能技术应用于军事领域中的目标识别任务时,针对由红外图片采集的局限性而造成的训练数据不足的问题,提出了基于生成对抗网络以生成红外图像的方法,实现了数据集的扩充。对基本的生成对抗网络进行了改进,将网络的输入由随机噪声变为真实图片,使之实现了图片到图片的风格转换,即彩色图片转变为红外图片。经过网络模型的搭建和训练,实验结果表明,该方法能够有效生成清晰和高质量的红外图片,解决了由红外数据不足而造成的网络训练不充分的问题。