微波辐射特性研究概览

微波辐射特性的研究为被动微波遥感和制导等提供基础的理论、方法、实验数据和结果。系统地阐述了微波辐射特性研究的两种方法 ,重点讨论了亮度温度的各种反演方法 ,最后指出了微波辐射特性研究的其它一些值得注意的问题     

模型烧蚀对尾迹电子特性影响的计算和实验研究

 基于气动物理研究的需要，针对高焓风洞的来流特点，采用计算和实验相结合的方法研究聚丙烯烧蚀对尾迹电子密度的影响。结果表明：计算结果可以有效模拟实验状态，电子密度的模拟精度有很大提高，误差在一个量级内；聚丙烯烧蚀可以降低尾迹的电子密度，但幅度不大，在2倍左右，其与选择模型材料的催化特性降低幅度相当；对电弧风洞的成功改进和非稀薄流静电探针诊断技术的应用，是尾迹电子密度测试的前提保障。     

碱金属引射对尾流化学动力学和电子密度的影响

用把碱金属（Na）加入到空气尾流中进行数值模拟的方法,研究了碱金属引射对高超声速尾流化学动力学和电子密度的影响。采用的化学反应模型为包括O2、N2、O、N、NO、NO＋、Na 、Na、O2-及e-的10组元模型。计算结果表明,碱金属引射,使尾流电子数密度增加1～3个量级。计算结果与文献中的数据符合较好。     

导弹纵向神经网络自动驾驶仪设计

在导弹俯仰通道中存在输入未建模动态情况下，提出了一种基于RBF神经网络和反演控制技术的神经网络自动驾驶仪的设计方法。首先应用两个RBF神经网络对输入未建模动态设计了神经网络逆补偿器，然后利用反演控制技术设计了导弹纵向自动驾驶仪。最后给出仿真结果显示了该设计方法的有效性。     

非线性自适应神经网络控制器设计

在系统存在非匹配不确定性和输入未建模动态的情况下,提出了一种基于RBF神经网络和反演控制技术的非线性自适应控制系统的设计方法.应用RBF神经网络辨识系统中存在的不确定性,利用反演控制技术,设计了非线性自适应控制器,成功地处理了非匹配不确定性.同时动态非线性阻尼项的引入使得系统对未建模动态具有很强的鲁棒性,并应用Lyapunov稳定性理论,证明了系统跟踪误差、RBF神经网络参数误差全局渐近收敛于原点的一个邻域.最后给出的BTT导弹非线性六自由度数字仿真结果,显示了该设计方法的有效性.     

基于多层前向神经网络的块控制器设计

针对一类非匹配不确定性的线性系统,基于块控原理,提出了一种结合块控制、神经网络控制和backstopping控制技术的设计方法.其特点是无须已知不确定性的界,利用反演设计方法来处理系统中的非匹配不确定性,利用多层前向神经网络来估计系统中的不确定性,再利用鲁棒控制方法来改善系统的性能.利用Lyapunov稳定性定理证明了系统的渐近稳定性.最后,给出的仿真实例证明了所提出的方法的正确性和有效性.     

高超声速小钝锥尾流转捩规律与光电特性

显式有限差分方法用于求解小钝锥高超声速化学非平衡尾流的轴对称边界层方程。该方法既适用于层流也适用于湍流。应用 Goldburg 转捩准则确定转捩初始位置。详细地计算了小钝锥尺寸、飞行速度、高度对尾流转捩和光电特性的影响。从计算中得到转捩和光电特性变化的一些有用规律。对湍流亚密部分的雷达散射截面进行了规律性分析。计算结果具有实用参考价值。     

利用MF雷达对耀斑期间电离层D区电子密度的观测研究

利用MF雷达观测资料对X级别耀斑爆发期间在66-80km高度之间的电子密度进行了研究，观测到了耀斑爆发期间电子密度的突然增加，在较低高度上的电子密度的时间变化趋势与耀斑的软X射线辐射通量相关．电子密度的变化强度依赖于具体的耀斑参数，有些耀斑引起的电子密度增加高达400cm^-3，有些仅为100cm^-3左右．但耀斑期间在这一高度区间增加的总电子含量增量仅占耀斑辐射引起的整个电离层总电子含量增量的千分之一左右．最后，利用恢复阶段电子密度的时间变化过程估算了1997年11月4日耀斑期间部分高度上的有效复合系数．     

基于树模型机器学习方法的GNSS-R海面风速反演

GNSS-R是基于GNSS卫星反射信号的一种新技术.GNSS-R技术可以运用到海面风场反演中，传统的GNSS-R技术反演海面风场主要有波形匹配和经验函数两种方法，风速反演精度约为2m·s-1.波形匹配方法耗时多，计算量大；经验函数方法通常只使用少量物理观测量，会造成信息浪费，损失一定的反演精度.为了提高海面风速的反演精度，引入机器学习领域常用的树模型算法决策树、随机森林、GBDT等对海面风速进行预测.利用GNSS-R与ECMWF数据构成训练集和验证集，训练集用于模型学习，验证集用于检验模型的反演效果.实验结果显示，决策树和随机森林预测误差约为0.6m·s-1，GBDT等算法的预测误差约为2m·s-1，满足风速反演要求.与GNSS-R传统反演方法相比，机器学习树模型算法效果更好，在验证集上表现稳定且误差较小.因此，可以将机器学习树模型算法运用到海面风速反演中.