基于迁移学习的无人机对地面目标识别研究

无人机对地面目标的识别精度受到数据集少和目标小的影响。传统深度学习需要大量有标注的数据集,限制了在具有小样本下的无人机对地面目标识别领域的应用。将迁移学习的方法用于卷积神经网络VGG16,并修改VGG16网络最后的3个连接层;同时利用单样本数据增强法将UC Merced数据集扩大到原来的8倍,对其进行验证和对比分析。实验结果表明,基于迁移学习的VGG16网络对地面目标识别的准确度可达97.62%,相较于未使用迁移学习的VGG16网络模型,整体提高了23.53%。并且在相同训练参数的设置下,模型比SqueezeNet、AlexNet、Inceptionv3、MobileNet-v2以及EfficientNetb0模型验证精度提高了3.63%～17.38%,收敛速度最快,可基本满足对地面目标的识别。     

S弯D形矢量喷管参数化设计及气动特性研究

为了满足战机对垂直/短距起降能力的要求,基于曲率控制方法对具有D形出口的S弯喷管进行参数化设计,进而可实现喷管尾段的大角度偏转。随后对不同偏转角、落压比以及设计参数的S弯D形矢量喷管气动特性进行数值模拟,对比并分析了喷管的气动特性。计算结果显示：无偏转条件下,随着落压比π从1.5增大至3.5,喷管流量系数先增大后平稳,在π=2.5时达到最大值,推力系数先增大后减小,且推力方向为飞行器产生一定的抬头力矩;落压比恒定时,随着偏转角度从0°增大至90°,喷管流量系数、推力系数下降,矢量超前角由负值不断增大至+6°左右;设计参数中预留偏转角对喷管气动性能影响较大,而S弯中心线控制系数对气动性能影响较小。本文提出的S弯D形喷管具有较好的气动性能,小偏转角度下矢量角变化趋势较为一致,亦可通过出口段偏转实现发动机推力的大角度矢量偏转。     

双层梯度蜂窝吸波结构优化设计

设计了一种带蒙皮和金属底板的双层梯度蜂窝吸波结构，并利用Hashin-Shtrikman（HS）模型获得其等效电磁参数。在此基础上，以反射率低于-10dB带宽最大为优化目标，利用保收敛粒子群优化算法（Guarantee Convergence Particle Swarm Optimization，GCPSO）对四种不同排序方案的双层梯度蜂窝吸波结构进行优化设计。结果表明，入射电磁波的角度和极化方式以及吸波材料的选择、排序和厚度对双层梯度蜂窝结构的吸波性能有很大的影响；不同入射角度下TM极化时的吸波特性明显优于TE极化，在入射角为60^°时最为明显；对比四种方案优化结果显示，case 1方案由于选用损耗角较小的吸波材料充当透波层，分布于蒙皮下面，而选用损耗角较大的吸波材料作吸收层，并置于吸波结构底层，因而具有最大的优化目标函数，吸波效果最佳，且蜂窝高度仅为具有相同吸波效果的case 3方案的49.44%。因此，选择case 1方案作为本文最终优化结果。