用薄板等积变换方法制造起伏构造的工艺问题研究(英文)

研究了用于夹层壁板的新型轻质芯材的制造问题。该种芯材是一种可改变平面方向的褶皱构造。采用薄板等积变换通过局部弯曲而不拉伸材料的方法制造该种芯材已成为可能。其主要难点在于 ,必须实现沿复杂的展开图上所有的画线同时弯曲。现借助于成形过程中使原来的构形组件变形解决其造型问题。本文提出的工艺方法可用于不同材料的深度起伏构造制造 ,如金属薄板和纸等。     

基于lk范数正则化方法的SAR 图像超分辨

提高合成孔径雷达(SAR)图像的分辨率对自动目标识别等具有重要意义.为此改进了一种基于lk范数正则化方法,并用于SAR图像超分辨.该方法通过合理开发利用符合SAR成像工程背景的先验知识,构造附加约束,把图像超分辨问题规划为形式简单的带约束优化问题.仿真和实测数据计算结果证实了该方法的有效性.     

换热反问题输入数据的正则预处理及其对解的影响

ＲＥＧＵＬＡＲＩＺＡＴＩＯＮＰＲＯＣＥＳＳＩＮＧＯＦＩＮＰＵＴＤＡＴＡＩＮＩＮＶＥＲＳＥＨＥＡＴＴＲＡＮＳＦＥＲＰＲＯＢＬＥＭＡＮＤＩＴＳＩＮＦＬＵＥＮＣＥＯＮＴＨＥＳＯＬＵＴＩＯＮＺｈｏｕＪｉｎｇｗｅｉａｎｄＣｈｅｎｇＳｈａｎｇｍｏ（Ｄｅｐｔ．ｏｆ...     

线性矩阵方程AXB－CXD＝E的误差界

首先讨论线性矩阵方程ＡＸＢ－ＣＸＤ＝Ｅ在有唯一解的条件下方程之解Ｘ的一个上界，再考虑系数矩阵Ａ，Ｂ，Ｃ，Ｄ，Ｅ发生小扰动时，线性矩阵方程（Ａ＋δＡ）Ｘ（Ｂ十δＢ）－（Ｃ＋δＣ）Ｘ（Ｄ＋δＤ）＝Ｅ＋δＥ之解Ｘ作为Ｘ的近似值的相对误差的一个上界。     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

土星和木星上的钻石海洋

这听起来就像是科幻小说，但是的确有多达1000万吨的钻石可能储存于土星和木星上。观测到的证据证明，土星上的雷暴可以不断地产生碳粒子。此外，新一轮室内实验和模拟实验，显示了碳在极端环境下的特性。因此，两位科学家产生了这样的设想：土星和木星都有可能为钻石的形成提供稳定的环境。“我们现在知道，固体钻石所承受的最高限温是8000K，如果高出这个温度，钻石就会熔化。而且，对于土星和木星内部的压力和温度分布，我们也能够测量得更加准确了。”威斯康星大学麦迪逊分校的行星科学家凯文·贝恩斯说，“这两个情况结合在一起，首次向我们表明：固体钻石可能存在于两颗行星大范围的纵向区域中。”不久前，在科罗拉多州丹佛市举行的一次会议上，研究人员提交了这篇研究论文，贝恩斯是该论文的合作者。     

航天器相对运动建模及周期性相对运动求解

面向航天器编队飞行的需求,对椭圆参考轨道航天器非线性周期相对运动条件进行研究,提出了确定椭圆参考轨道编队航天器非线性周期性相对运动条件的新方法。首先,考虑非线性、椭圆轨道等因素,通过哈密尔顿-雅可比(HJ)方程和正则摄动理论,推导了在任意非线性摄动下相对运动的模型和获得不需消耗任何燃料的周期性相对运动轨道的条件;然后,采用时域配点法,结合改进的列文伯格-马夸尔特(LM)法对周期性相对运动的初值进行求解;最后,设计数值仿真算例,利用上述条件,得到不消耗任何燃料的周期性绕飞轨道,由此验证了本文所提模型和方法的正确性。     

结构自适应序贯正则极端学习机时间序列预测及其应用

为提高初始小样本情况下时间序列在线预测的精度,提出了一种结构自适应序贯正则极端学习机(SA-SRELM)。该方法在在线序贯学习阶段,针对不同训练样本规模选择不同的递推方式对输出权值进行更新;同时,在训练样本达到一定规模后,为提高预测模型对系统的动态适应性,在加入新样本的同时对旧样本进行剔除,完成预测模型的训练。利用3种混沌时间序列预测实例对所提方法的有效性进行了验证。最后,将所提方法用于航空发动机排气温度预测中,结果表明该方法相对正则极端学习机(RELM)和序贯正则极端学习机(SRELM)方法具有更好的泛化性能,预测精度分别是二者的约6倍和2倍。