更高速(400+km/h)列车气动减阻技术发展与展望

合理有效的气动减阻技术是我国研发运营速度400+?km/h高速列车的过程需展开深入研究的重点内容.首先阐述了高速列车气动阻力的基本分布特征,并针对国外下一代更高速列车的气动减阻技术进行了调研,尤其分析了欧洲、日本和韩国的下一代更高速列车气动减阻技术的特征,总结了国外下一代高速列车气动减阻的关键技术与方法.然后根据列车气动减阻技术实施部位的差异,从列车头型优化以及转向架、受电弓和风挡等局部结构优化两个方面对我国目前高速列车气动减阻技术研究现状进行了分析和梳理,同时归纳了新型气动减阻技术的研究现状.最后在综合国外下一代更高速列车气动减阻技术与我国气动减阻技术研究的基础上,对我国更高速(400+?km/h)列车气动减阻技术中可行性较高且效果明显的发展方向进行了展望与建议,为我国更高速列车气动减阻技术的设计与发展提供有价值的参考.     

多普勒积分时长对星间测速精度影响分析

针对大动态星间速度精确测量问题,文章提出了测量环路多普勒积分时长的设计方法。在获得具体双星星座两颗卫星之间的相对运动速度变化规律的基础上,研究建立不同多普勒变化率积分区间时长情况下的星间速度测量误差数学关系,并进行编程数值计算。通过数值分析和测试结果对比表明:在不同积分区间时长情况下,星间速度测量误差仿真结果与设备实际测试结果一致。多普勒积分时间为200 ms时的星间速度测量误差为±1.4 m/s,通过缩短积分时间长度,可以将星间速度测速误差减小到[-0.14 m/s,+0.14 m/s]以内,达到了预期效果。该方法可应用于星座项目星间速度测量精度指标预算设计工作中进行多普勒积分时长的选择。     

基于DLatLRR与VGG Net的红外与可见光图像融合

针对红外与可见光图像融合中特征损失严重、显著目标不突出的问题，提出了一种低秩表示分解与深度神经网络相结合的图像融合算法。首先，对源图像进行潜在低秩表示分解（DLatLRR），得到相应的低秩部分、显著部分及稀疏噪声。然后，分别采用16层的VGG Net模型和联合特征加权算法对低秩部分与显著部分进行融合，舍弃二者的稀疏噪声。最后，对融合得到的低秩部分和显著部分进行图像重建，得到最终的融合图像。实验结果表明:与其他算法进行比较，所提算法能够对图像的深层次细节特征进行融合，突出场景中的感兴趣区域，且融合图像的相关差异和、结构相似性、线性相关度等多种客观指标均有所提升，提升最大值分别为0.73、0.15、0.11，噪声产生率的最大缩减值为0.041 2。      

基于机器学习方法的三维粒子重构技术

通过三维粒子重构获取粒子场的分布情况是层析粒子图像测速的关键步骤，有限二维投影下的三维粒子重构是一个欠定的反问题，其精确解往往很难得到。一般情况下，可以通过优化方法得到近似解。为了获取质量更高的粒子场并用于层析粒子图像测速，提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）的粒子重构方法。所提出的技术可以从基于传统的代数重构技术（Algebraic Reconstruction Technique，ART）的方法所得到的粗略粒子分布中进一步提高粒子重构质量。与现有的基于ART的算法相比，新技术在重构质量方面有了显著的改进，可以有效剔除虚假粒子并更准确地还原粒子形状，并且在粒子浓度较稠密的情况下计算速度至少快了一个数量级。     

大型飞机平尾翼尖涡对后体涡系影响的实验研究

大型飞机在飞行过程中机身后体会产生一对反向旋转的脱体涡（后体主涡），该涡与平尾翼尖涡共同构成飞机后体的涡系结构。在风洞中，利用激光粒子测速（PIV）方法，对单独后体和加装不同展长平尾的后体，分别研究涡系结构的动力学特征。结果表明:后体主涡的涡核中心沿流向明显向上移动；加装平尾后，涡系呈现典型的四涡结构，平尾翼尖涡对后体主涡影响显著，加大了后者向上移动的趋势，同时使其沿展向外移，并显著削弱其涡旋强度；平尾展长增加后，后体主涡受到的影响有所减弱。在低速环境下，来流速度对后体涡系结构的无量纲动力学参数影响较小。     

机载托架自动校准系统的设计与实现

为了解决机载托架传统校准方法精度低、耗时、费力等问题,设计了一种高精度、高效率并且操作简单的成品托架自动校准系统。该系统运用调平精度较高的"循环多次"最高点不动调平方法,建立高精度机载托架校准的静力学数学模型,运用VC与Matlab的COM接口编程技术开发机载托架自动校准系统,并建立良好的人机交互界面。试验结果表明,利用该方法对机载托架进行校准,无论是校准精度还是校准效率都较传统方法有很大提高。     

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。     

基于结构加权低秩近似的泊松图像去模糊

针对由高斯模糊和泊松噪声引起的图像降质问题，提出了一种基于结构加权低秩近似的图像去模糊方法。首先，通过依次组合缩放、旋转、剪切和翻折等四种基本操作引入结构变换，以增加搜索空间内候选图像块的相似性。然后，构造新的目标函数，利用相似图像块的低秩性，在正则项中使用加权核范数（WNN）对结构变换后的图像块进行惩罚，以在去模糊的同时抑制泊松噪声。最后，基于半正定二次分裂（HQS）方法设计交替优化方案，用于求解目标函数，从泊松图像中去除模糊。实验结果表明:在多种泊松噪声强度下，所提方法取得的峰值信噪比（PSNR）和结构相似性（SSIM）都高于当前同类去模糊方法。      

上升段飞行器目标的视频图像跟踪

粒子滤波是一种基于贝叶斯估计理论和蒙特卡罗理论的实时目标跟踪方法，具有较为灵活的并行化跟踪方式，能够较好地维持跟踪目标的假设状态，具有较好的跟踪效果和鲁棒性。上升段飞行器目标飞行视频图像跟踪是火箭等目标飞行监控的重要阶段，但现阶段对飞行器上升段的视频图像跟踪主要依靠人工手动操作云台控制器，实现视频图像中的飞行器跟踪，跟踪图像存在跟踪滞后、画面抖动等现象，跟踪效果受人为因素影响较大。本文提出一种基于粒子滤波方法的上升段飞行器目标视频图像跟踪方法，建立飞行器目标粒子滤波跟踪模型实现对飞行器目标的识别和跟踪，在识别和跟踪的基础上建立云台控制模型，通过对云台的智能控制获得飞行器上升段的高质量图像。采用火箭发射的视频图像作为模型验证的实验数据，检验飞行器目标的跟踪效果。     

涡轮基组合循环发动机分布式控制系统通信网络混合拓扑结构优化方法

涡轮机组合循环(Turbine based combined cycle,TBCC)发动机控制系统通信网络拓扑结构是其分布式控制系统方案设计的重要部分,优化网络拓扑结构可提高发动机推重比和控制系统可靠性。本文基于智能优化算法提出TBCC分布式控制系统网络拓扑结构优化方法。基于图论建立TBCC几何模型和网格模型,以重量和可靠性为优化性能指标,同时考虑发动机表面高温区域以及控制节点的工作可靠性,分别采用粒子群算法和遗传算法优化星形结构中智能中央节点位置、中央节点的环形拓扑结构,获得星形-环形混合拓扑结构。仿真实例表明,基于本文方法优化所得的混合拓扑结构相较于星形集中式控制结构,系统重量降低了51.9%。