基于潜在成分的时变系统损伤的概率神经网络分类

提出了一种新的时变系统健康监控的损伤分类方法。将函数级数时变自回归平滑时序模型应用于时变系统的振动信号,以估计TAR／TMA参数和革新方差。这些参数是时间的函数,将它们在以特定的基函数构成的某种函数子空间上展开得到相应的投影系数组。所估计得到的TAR／TMA参数和革新方差可进一步用来计算潜在成分（LCs）,将LCs用于健康评估比原来的参数更具信息。并将LCs联合并归化为数值得到特征集,输入概率神经网络（PNN）进行损伤分类。为了评价该方法,对一个时变系统进行了仿真,以各种不同的质量和刚度减少来模拟不同的损伤类别。算例表明：该方法能够在时变系统的背景下对损伤进行归类。     

基于LC理论和概率神经网络的损伤识别

本文提出了结构健康监测中一种新颖的方法用于时变系统的损伤识别,选取FS-TARMA(函数基时变自回归移动平均)时间序列模型应用于一种随机振动信号中,这种振动信号在时变系统中用来估计TAR/TMA参数和创新方差。基于一种特征值分解技术,被估计的TAR/TMA参数和创新方差能够为损伤估计提供更多信息和数据,从而形成了一种新的理论LCs(潜在成分)。LCs被组合和分解成数值,接着输入概率神经网络中进行损伤识别。将这种新方法用于三自由度时变系统中进行评估,根据质量和弹簧刚度的降低来模拟不同级别的损伤。这种方法能够找出系统参数的时变性质和质量及刚度变化引起的损伤级别。结果表明:使用这种方法,与其他的非降维和普通的特征提取方法相比,识别的成功率有相当大的提高。     

机载系统测试性设计体系研究

军用飞机在外场表现出诊断能力不足的现象,严重影响飞机再次出动的效率。从军用飞机故障诊断 的实际使用需求出发,深入分析机载系统在设计、试验过程中存在的测试性设计问题;针对军用飞机整个研制 与使用过程,明确设计目标,提供设计、验证和评估方法,将原来相互孤立的设计工作进行整合,提出一套完整 的机载系统测试性设计体系,并对测试性设计过程中的诊断能力设计、测试性试验等关键环节进行深入剖析; 同时,在工作方法、专业定位和制度保障方面提出改进建议,能够有效促进测试性设计有机地融入机载系统的 设计过程,提升机载系统测试性水平,提高飞机综合诊断能力。     

不确定强耦合下四旋翼姿态鲁棒自适应控制

针对多源不确定强耦合下的四旋翼无人机姿态控制问题，首次设计了一种多层逼近自适应神经网络动态面控制算法。区别于以往的加性耦合不确定研究，考虑无人机飞行控制中的乘性耦合多源不确定估计与补偿问题。首先，构建不确定四旋翼无人机姿态动力学模型，并基于神经网络与傅里叶展开实现乘性耦合不确定的巧妙转换；其次，将自适应技术与反步法相结合，设计多层逼近自适应控制律；同时将动态面技术用于解决反步法中虚拟控制律求导问题。完整理论分析与仿真实验表明了所述控制策略的有效性。     

背包问题的量子算法分析

对可用于密码体制设计的NP完全问题——背包问题,进行了量子算法分析.从复杂度理论角 度出发,讨论了如何用量子搜索算法加速背包问题等NP完全问题的求解.并从群论的角度与S hor的大数分解算法做了比较,讨论了影响算法速度一些因素.对量子算法的特性和前景做了展望.