Delta并联微操作手运动学的矢量法分析

利用矢量运算的方法,分析了三维平动Delta并联微操作手的运动学特性.基于雅可比矩阵的可逆性,研究了Delta并联机构的正逆运动奇异性问题. 研究表明,微操作手的雅可比矩阵中存在灵敏参数,灵敏参数的大小及方位影响着位移输入与输出间的关系;利用矢量运算方法进行运动学奇异性问题分析更为简洁和直接.     

极区中层惯性重力波的VHF雷达观测

本文采用ＳＯＵＳＹＶＨＦ雷达１９８７年６月在挪威Ａｎｄｏｐｖａ（６９°Ｎ，１０°Ｅ）的观测数据，研究中层惯性重力波的传播特征．几个周期为数小时的准单色波例子，在垂直方向上有确定的相位移动，表明它们是惯性内重力波．通过分析波相关的流体速度东向和北向分量的变化，获得水平传播矢量的大小和方向，它们与中层高度上典型的观测值一致．同时还观察到三个等相面上行的惯性重力波，其速度偏振椭圆是逆时针旋转的．波相关的扰动速度为１５－４０ｍ／ｓ，说明在中层存在强烈的向下的能量传输．估算出它的运动学参量，周期为数小时，垂直相速度在０．ｌ—０．６ｍ／ｓ之间，垂直波长约为６．０ｋｍ．     

基于SVR的导航传感器自适应野值检测方法

针对Lagrange插值法无法处理连续野值的问题，提出了一种基于改进支持向量回归(Support Vector Regression, SVR)的导航传感器自适应野值检测方法。该方法结合了支持向量回归利用小样本数据就能够准确建模和3σ准则计算简易的优点，利用支持向量回归在线建立舰船的运动模型对测量值进行实时预测，并利用3σ准则自适应地计算阈值，然后通过比较阈值与预测残差来判别测量值是否为野值点。该方法可以自动地学习舰船的运动趋势，建立舰船的真实运动模型，而且不受连续野值点的影响，能够在没有其他传感器辅助的条件下完成野值检测。海试实测数据表明，提出的方法对离散和连续的野值点均具有较好的检测效果，同时可以更好地估计传感器的真实测量值。     

基于支持向量机方法的发动机性能趋势预测

为了提高对航空发动机性能趋势预测的精度，提出利用支持向量机方法来预测表征发动机整体性能的参数一性能综合指数。建立了基于支持向量回归的一步及多步预测模型，利用该模型对性能正常衰退及性能异常发动机的综合指数分别进行预测，并与自回归(AR)模型的预测值进行比较。结果表明，基于支持向量机的预测模型比AR模型的预测精度更高，其四步预测精度由80．56％提高到88．51％。因此该模型尤其适合中、长期预测。     

压电材料壳的广义变分原理和状态向量方程

将三维弹性材料的H-R变分原理引入到具有机-电耦合效应的三维压电弹性材料圆柱壳问题中,建立了对应于正交各向异性压电材料圆柱壳的Hamilton型广义变分原理。通过变分运算得到了柱坐标系下的状态向量方程,该状态向量方程也是Hamilton正则方程。最后指出纯正交各向异性弹性材料壳Hamilton型广义变分原理是变分公式的特例。变分原理的建立将有利于压电材料圆柱壳静力学和动力学问题的有限元方法或半解析法的推导。     

航空发动机全程滑态变结构控制研究

一种新的滑模变结构控制方法-全程滑态变结构控制首次应用于航空发动机控制系统，该控制方法能有效地缩短系统状态到达滑动模态的时间，避免了定常滑态变结构控制系统在能达阶段对扰动的敏感性，且其控制律的设计可以改善系统的瞬态性能，克服未知参数摄动的影响，仿真结果表明，基于全程滑态变结构控制所设计的发动机控制系统，其鲁棒性要优于发动机定常滑态结构控制系统。     

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。     

旋转矢量图形与驻波问题的研究

如果能够正确地写出反射波方程以及简捷地得到驻波方程,就可以解决普通物理课程的教学中由界面反射形成驻波的课题,首先导出界面反射波方程,然后重点介绍用旋转矢量合成法得到驻波方程。这种方法明显优于分析法。     

特征结构配置在飞机模态解耦中的应用

主要对特征结构配置在飞机模态解耦中的应用问题进行研究,并以某飞机横航向小扰动运动为例,按照飞机飞行品质规范要求,给出荷兰滚模态和滚转模态解耦控制的设计方法。     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.