基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

反导预警相控阵雷达网目标分配方法

针对相控阵雷达网跟踪弹道导弹目标时的资源管理问题，分析阐述反导预警作战场景，提出综合目标跟踪精度和雷达切换频率的目标分配效益函数，从雷达能量、时间及雷达与目标可见性三方面建立约束条件，以准确反映目标分配过程中的实际限制，在此基础上构建反导预警相控阵雷达网目标分配模型。根据反导预警任务特点，设置目标分配的自适应间隔，以提高模型设计合理性。就稀疏弹道导弹目标跟踪、密集弹道导弹目标跟踪2种场景进行仿真实验，结果表明:运用所提方法能够有效实现目标分配，提升相控阵雷达网资源利用效率，并能够减少雷达切换次数。      

先进战斗机过失速机动大气数据融合估计方法

可控的过失速机动是先进战斗机超机动性能的重要标志，飞机飞行包线的扩大已超出传统的大气数据系统测量范围，可靠的迎角、侧滑角、总压、静压等飞行大气数据是制约先进战斗机过失速机动中飞行控制的关键因素。以中国推力矢量验证机为对象，基于过失速机动飞行试验的数据，开展大气参数估计与验证研究。结合过失速机动的时间与空间特性，研究了基于风速、地速、空速矢量和惯性姿态、导航参数的大气参数融合计算方法；针对过失速大迎角状态下飞机周围气流非定常、模型非线性导致的融合大气参数误差的复杂特性，进一步构建深度神经网络，对机动状态融合迎角、侧滑角的强非线性误差进行拟合。仿真和飞行试验表明：该方法可在大迎角飞行状态下实现主要大气参数的融合估计，过失速机动过程中融合迎角误差优于2.3°，融合得到的大气参数可为过失速大迎角机动飞行控制提供可靠的大气参数状态反馈。     

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。     

SAS与PANS模型在圆柱绕流中的应用比较

分别运用SST(Shear Stress Transport)、SST-SAS(Scale-Adaptive Simulation)、两种变fk(模化湍动能的比例)函数的SST-PANS(Partially Averaged Navier-Stokes)湍流模型对Re=3900的圆柱绕流进行了数值研究,重点从湍流结构捕捉、气动力计算、涡黏性控制等方面,比较了SAS与PANS两类RANS/LES混合模型的计算能力,并通过不同网格计算分析了模型的网格敏感性。数值结果表明:SAS及两种变fk方法的PANS模型均具有求解小尺度涡运动的能力,并能较好地反映出绕流尾迹的三维非定常特性,同时PANS模型能捕捉到更多的非定常结构;SAS模型中自适应尺度Lvk立足于当地流动,对网格依赖较小,计算的湍动粘度分布更合理,能够更好地计算剪切层及回流区;两种PANS模型网格独立性较差,出现了雷诺应力不足的现象;类DES可变fk函数构造相对简单,所得fk分布更准确,使用tanh函数计算的尾迹区fk值偏低,对流场调控能力稍差。     

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来，卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性，已被认为是最有前途的CNN硬件加速器，但是受FPGA计算能力、存储资源的限制，基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先，研究了适用于三维运算的Winograd算法一维展开过程；然后，通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法，优化算法每个卷积层的时钟周期数减少了7倍左右，相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究，证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度，并改善在FPGA运行CNN的性能。      

偏心撞击对撞击式喷嘴雾化特性的影响

为研究偏心撞击对撞击式喷嘴雾化特性的影响,建立了求解自燃推进剂冷态射流撞击雾化过程的数值模拟方案,计算了不同偏心度条件下的射流撞击雾化过程。采用树形自适应加密算法直接求解不可压Navier-Stokes方程组,由分段线性的流体体积(VOF)方法对流体界面进行捕捉。结果表明偏心撞击会导致雾场发生偏转,当无量纲偏心度E为1/8时,雾场偏转角度约为9.2°,应控制加工偏差小于该值。随着偏心度的增大,液膜的偏转角度增大,理论推导得到的液膜偏转角度要小于数值计算得到的液膜偏转角度。正心撞击时燃料与氧化剂流强峰值接近,雾场的流强分布呈单峰分布。当发生偏心撞击时,由于燃料与氧化剂部分射流未参与撞击导致流强峰值出现交错,雾场的流强分布呈双峰分布,混合比的空间分布发生较大改变。正心撞击时撞击点下游液滴的速度分布近似呈轴对称分布,而偏心撞击之后的速度分布则呈中心对称分布。偏心撞击导致的射流动量损失使得雾化性能变差,当无量纲偏心度E为1/8时,一甲基肼(MMH)的Sauter平均直径增大约4.8%,四氧化二氮(NTO)的Sauter平均直径增大约5.8%。      

针对旋翼流场模拟的自适应网格算法

针对基于格心格式求解器的旋翼流场模拟,提出了相应的自适应笛卡尔网格的数据存储结构及自适应算法。给出了相应的单元处理策略,简化了对自适应笛卡尔网格的处理;对于频繁的自适应加密过程中产生的大量重复点,采用了高效的交替数字树算法(Alternating digital tree,ADT)予以删除;对于自适应疏化过程中产生的大量无用点,提出了标记-删除-移动(Mark,delete,move,MDM)算法予以快速地删除,减少了不必要的计算资源消耗。对CaradonnaTung旋翼在不同悬停状态下进行了模拟验证,对比了压力分布系数与桨尖涡位置。之后对HELISHAPE 7A旋翼在前飞情况下进行了模拟验证,计算值与实验值吻合。此外,求解器对桨尖涡的捕捉效果得到了明显的提高,表明本文方法具有良好的有效性与鲁棒性。     

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题，设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围，自适应地生成多个独立的激活域，各个激活域的并集包含激活图中全体像素点的激活值；随后在每个激活域中学习一个特定的线性函数，为处于该激活域中的像素点提供特定的梯度响应；最后以NIN网络和ResNet18网络为例，在CIFAR 10和CIFAR 100数据集上，验证所提激活函数的性能.实验结果表明，与现有激活函数相比，本文提出的激活函数，由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应，使分类准确率在NIN网络上分别达到87.96%和69.01%，在ResNet18网络上分别达到88.56%和73.54%.