基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

基于梯度提升决策树的量子科学实验卫星光学实验预测

量子科学实验卫星在轨运行期间完成4种光学实验，地面监测人员通过遥测参数阈值判断卫星是否进行光学实验、实验类型及实验结果.这种方法需要预先设定大量阈值，并且这些阈值需要根据在轨卫星重新设定，可扩展性较差.针对以上问题，提出一种基于机器学习的光学实验判别方法，将量子科学实验卫星的光学实验监测任务抽象为机器学习中的多元分类问题，构建分类模型，利用量子科学实验卫星的真实历史遥测数据对模型进行训练，并通过真实实验计划对训练得到的模型进行验证.实验结果表明，本文提出的方法在没有专家先验知识的前提下，判别准确率达到99%，可用于量子科学实验卫星光学实验的实时监测任务.提出的基于机器学习的判别方法具有较强的可扩展性，可应用于卫星在轨运行的其他监测任务.      

拉扭疲劳试验机同步校准技术研究

介绍了一种新型力值、扭矩多分量传感器，在此传感器的基础上，研究力值、扭矩两参数同步校准技术，从而实现了对拉扭疲劳试验机的系统校准，解决了以往分参数校准存在不可靠性的难题，保证了拉扭疲劳试验机各参数整体系统的准确性。     

高超声速风洞测力数据的关联研究

通过比较分析法研究AGARD-B标模在BIA的FD-07风洞中气动力测量数据与其它高超声速风洞设备测量结果的相互关联。其目的，既可以综合鉴定FD-07风洞的流场性能和测试水平，也可以从另外意义上为数值方法的程序校验提供必要的技术支持。结果表明，在Ma=4.94-7.96范围内，所测得AGARD-B标模的力、力矩和压心位置，不仅随Ma和α的变化趋势与其它风洞一致，而且其变化量比较接近于各风洞测力数据拟合的逼近曲线。     

EPD技术及其信息管理系统研究

介绍了FPD技术及其管理系统研究状况、技术难点以及相应的对策。     

复合材料声发射源识别方法研究

针对声发射源传统识别方法可信度低的缺陷，研究复合材料的声发射检测中的关键问题——声发射源的识别问题，指出多传感器数据融合技术是有效识别声发射源特征的新方法。     

关于N=31～64位最佳PCM群同步码的研究

本文是关于N=31至64位最佳PCM群同步码研究成果的总结报告。这些最佳码是世界上迄今为止(在该范畴内)的最新成果。文中给出了N=31～64位最佳群同步码的码组图样、误同步概率和主要特征参数。此外,还阐述了歧码问题和某些关键理论。