硅半球深腔结构无损检测技术

半球深腔的加工质量是决定硅基MEMS半球陀螺精度的关键因素之一，及时检测半球深腔的形貌参数并将其反馈至加工过程，是确保高性能MEMS半球陀螺研制成功的重要措施。由于硅半球深腔的深度较大，台阶仪和光学显微成像系统无法对半球深腔的形貌特征进行有效测量。因此,需要将硅深腔结构剖开后采用扫描电镜(SEM)进行检测。这种检测方式时间周期长，且属于破坏性的样本检测，效率和测试精度都较低。提出以硅半球深腔为模具，利用PDMS铸模将硅半球深腔的结构尺寸和表面形貌转移到PDMS凸起的半球模型上，通过检测PDMS半球模型的尺寸结构和表面形貌，即可反推出硅半球深腔的尺寸特征。经实验验证，脱模后的PDMS模型可以准确地反映出半球深腔的尺寸信息，测量结果的不确定度小于5‰，有效解决了硅半球深腔无损检测的难题。     

一种高斯型ASE光源研究

简单介绍了掺铒光纤的光放大原理,分析了四种ASE光源的光路结构。针对双通前向结构,设计了一种适用高精度光纤陀螺仪的高斯型ASE光源,并进行了试验研究。试验结果表明,掺铒光纤的掺杂浓度、光纤长度都对ASE光源的输出特性具有很大的影响。此外,根据试验结论,研制出高斯型ASE光源,其性能稳定,已在多个高精度光纤陀螺仪型号上实现了实际应用,并取得了良好的效果。     

捷联式航空重力测量系统的数据处理方法比较与分析

重力数据处理对获取高精度重力异常值有着重要作用，是重力测量的核心技术。重力仪在搭载运动载体进行重力测量时，载体的高频振动对重力测量数据和GPS数据均会产生不可避免的干扰，导致提取的重力异常粗值含有大量高频噪声。围绕重力数据的处理方法这一核心技术，介绍了FIR低通滤波、零相移滤波、标准Kalman滤波、正反Kalman滤波4种滤波方法的基本原理，运用这4种方法处理了SAG捷联式重力仪的某次实际飞行测量数据，比对了基于SINS/GPS组合导航和SINS/DGPS组合导航的重力测量数据处理结果。通过对本次试验重复测线内符合精度进行比对，验证了4种方法的可行性和优劣性，同时验证了SAG重力仪的测量精度。     

一种基于方钢管骨架的壁板成型模具

针对大型飞机机身复合材料壁板试验件,从模具的刚度要求、使用要求、成本要求等方面确定了模具设计边界条件;为了满足模具设计的边界条件要求,提出了一种基于方钢管骨架的壁板成型模具。在进行模具设计时,首先对比各种常用模具材料的优缺点并最终确定模具采用"INVAR"钢材料;然后介绍了模具的结构布局和结构尺寸参数,并通过有限元模拟的方法,对模具的整体刚度和起吊工况的强度进行了模拟计算。计算结果表明模具的整体刚度较好,能够满足设计要求。从模具整体刚度和模具重量两方面与框架式隔板模具对比,方钢管骨架的壁板成型模具具有更大的优势。     

抗辐射保偏光纤的制备及其特性研究

通过对保偏光纤进行光漂白与低温相结合处理的方式，来提高光纤的抗辐射性能。保偏光纤再经过1.0 kGy的高剂量预辐照处理后，其损耗会明显增大。随后采用980nm的激光对光纤进行光漂白处理,其损耗并没有发生明显变化。但是，处理后的样品在小剂量辐照条件下其光纤传输呈现先减小后增大的趋势。对于通过液氮进行冷处理的预辐照样品，其光纤传输损耗得到明显的降低，同时光纤经过小剂量辐照后的损耗同样也具有先减小后增大的现象。最后，将两种处理方式相结合，一方面可以有效地降低预辐照光纤的传输损耗，另一方面也使得保偏光纤在小剂量辐照的条件下，使其传输损耗具有减小的趋势，大大提高了保偏光纤在小剂量辐照条件下的抗辐照特性。     

内装式空射运载火箭重力出舱机箭耦合动力学分析

研究了以运输机为平台的内装式运载火箭空射过程载机和火箭的耦合动力学建模。建模针对两个阶段：第一阶段，火箭固定于载机机舱内，两者构成一个整体，按照普通刚体的力学方法处理；第二阶段，火箭解锁后，沿着舱内的发射筒向外滑行，载机和火箭形成两刚体相互作用的耦合系统，基于牛顿-欧拉法建立系统动力学模型。载机在空射火箭过程中，油门和升降舵满偏，在加速前飞的同时拉大姿态俯仰角，火箭在自身重力分量和惯性力的作用下，沿着机舱内的发射筒加速向外滑行，直至与载机分离。数值仿真分析了空射过程载机的重要力学参数的变化过程，验证了载机操控策略的可行性和安全性，可为未来中国空射运载火箭技术设计提供数据参考。     

非线性刚度对微机械陀螺动态性能的影响*

为了提高微机械陀螺的稳定性,研究自由振动状态下活动基座上L-L型双质量微机械陀螺的动态性能,建立微机械陀螺的数学模型,得到以幅值-相位为变量的运动微分方程的解,并给出这种解与轨道元素的联系。研究框架质量和弹性件非线性刚度对陀螺漂移量的影响,并给出数值例子。对所得到的解析关系式与曲线进行分析,作出关于系统性能的相应结论。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system，BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接，网络权值可以用求解伪逆的方法快速求得，避免了耗时的训练过程，从而成为快速而高效的学习方法。然而在追求高精度结果的过程中，BLS对于增强节点数量的需求过于巨大，容易造成过拟合问题。为此，本文提出了基于函数链神经网络（Functional-link neural network，FLNN）的深度分类器（FLNN based deep classifier，FLNNDC），旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构，每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点，而不是全部映射节点。和原宽度结构相比，在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。