流阻对200N单推-3发动机热试车工作特性的影响

管道及阀门内部流阻会显著影响发动机工作性能。为探究不同管路流阻大小下200N单推-3发动机工作特性，开展了光管和波纹管两种管路200N发动机热试车试验研究。结果表明：大流阻工况喷前压下降约42.8%。热试车前后喷前压振荡剧烈，不利于发动机平稳工作。管路流阻显著影响脉冲燃压，小流阻脉冲燃压建立约2.5MPa，大流阻脉冲工作燃压建立约1MPa，远低于前者；管路流阻显著影响阀门启动特性，大流阻状态下，阀门启动时间(T₈₀)约为小流阻状态的3.93～5.28倍，管路流阻对阀门电流影响很小；小流阻状态下脉冲冲量显著大于大流阻状态下的脉冲冲量，约为后者1.5～2.1倍。     

航空发动机限寿件疲劳可靠度计算新方法

针对目前的航空发动机限寿件（ELLP）疲劳可靠性分析中的小失效概率事件以及其极限状态函数具有较强非线性的特点，提出了一种具有自更新机制的半径外自适应重要抽样（AUMCROAIS）疲劳可靠性分析方法。该方法首先利用蒙特卡罗自适应重要抽样（MCAIS）快速逼近真实设计验算点（MPP）附近，随后以近似设计验算点为中心进行极坐标抽样，并依次构造主动学习函数，对近极限状态函数和抽样半径进行最优选取，从而实现最优抽样半径的更新，通过不断的更新确定出最优抽样半径，加速失效概率计算的收敛。本方法提高了设计验算点的收敛速度同时保证了计算精度，解决了小失效概率事件以及强非线性极限状态函数可靠度计算难题，最后以某型发动机压气机轮盘为对象应用本方法，并与传统的蒙特卡罗仿真（MCS）方法、蒙特卡罗半径外自适应重要抽样法（MCROAIS）和一阶可靠性方法（FORM）进行了对比，验证了本方法的高效率、鲁棒性和仿真精度。     

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩，但由于该类方法只能以矩形框给出目标的概略位置，检测结果具有很大的背景冗余区域，特别是港口密集停泊的舰船在图像中会出现区域重叠，导致误检和漏检。针对以上问题，提出了一种具有旋转不变性的舰船目标精细化检测方法，该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点，借鉴MobileNet架构对网络加速，通过学习密集区域目标的几何形变，有效预测目标的旋转角度，最终以旋转的矩形框给出目标的位置。实验结果表明，该算法可实现多类舰船目标类型区分和目标朝向判定的功能，有效地解决了实际应用中的目标精确定位定向难题，提高了自动目标识别的精确性，并满足工程应用的实时性要求。     

卷积神经网络及其在航空视觉任务中的应用展望

从卷积神经网络的基本理论出发,介绍了几种经典卷积网络结构,并结合当前卷积神经网络在计算机视觉领域的应用现状,重点探讨了它在未来航空视觉相关任务系统中的应用前景,以及实施这些技术必须解决的若干问题,为未来航空装备智能化水平的进一步提升提供参考。     

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。     

前沿光学技术的新发展

近几十年,光学这门古老的学科得到了迅速发展。文章从近几年诺贝尔化学奖和物理奖的获奖课题谈起,介绍了光学技术的发展脉络,梳理了纳米光学、超表面、压缩感知、深度学习、太赫兹、光学自由曲面等光学前沿新技术的发展情况。文章最后指出,从事科研研究不能从文章到文章,要与社会的需求相结合,科研只有服务于企业、服务于社会,才能将技术的发展落实到实处。     

一种基于深度学习的电磁信息泄漏检测方法

电子信息设备工作时无意发射的电磁波中包含有用信息，会导致电磁信息泄漏，从而威胁设备的信息安全。现有的电磁信息泄漏检测方法，在复杂现场环境下，难以从具有不确定性的电磁泄漏信号中提取有用信息。面向电磁信息安全问题，开展了电磁信息泄漏检测研究，提出了一种基于深度学习的检测方法。设计了一个适用于电磁泄漏信号的一维卷积神经网络，并结合改进的梯度加权类激活映射方法，在未知电磁信息泄漏特征的前提下，通过深度学习实现电磁信息泄漏特征的智能标定和自动提取，从而解决了现场环境下电磁信息泄漏检测难以提取有用信息的问题。分别通过实测和仿真对比实验，验证了所提方法的有效性。      

基于强化学习的在轨目标逼近

从强化学习的角度,对在轨目标逼近问题进行研究,设计了一种整合制导与控制的端到端的算法.首先对在轨目标逼近问题进行数学建模;然后对强化学习算法原理进行简介,根据问题特点分析不同强化学习框架的优劣,确定以DDPG作为算法框架,并设计了基于强化学习的在轨目标逼近算法;最后通过仿真验证,分析了基于强化学习逼近算法的优劣性.