民用飞机试飞阶段人为因素适航审定技术研究

随着飞机各系统可靠性的不断提高,人为失误逐渐成为系统失效或造成飞行事故的主要因素,已成为设计及适航审定部门关注的重难点问题.当前国内外对于如何验证人为因素是否满足相关适航条款的要求仍处于理论探索阶段.针对上述问题,基于CCAR-25部条款分析试飞阶段民用飞机人为因素适航审定过程,包括基于SHELL模型及T.E.S.T矩阵的人为因素审定条款筛选,基于MOC5&MOC6的试验机符合性验证方法,并基于模糊评判方法给出数据分析实例.本文提出的人为因素适航审定思路及验证方法具有一定创新性,已在试飞阶段ARJ21-700飞机上初步应用,可为后续C919等民用飞机人为因素设计和适航审定提供技术支持和方法保证.     

机载火控设备计算机辅助质量管理和可靠性设计的研究

简述了在开展质量管理和可靠性工作方面急需解决的问题和研究的主要内容，以及实施途径及方法；详细介绍并分析了质量管理和可靠性工程软件包的系统结构。     

GJB5000A软件测量指标的研究与应用

讨论了型号软件GJB5000A的测量与分析过程,采用系统论方法,阐述了三级测量目标、测量项的确定,对测量指标存在的涌现性进行了探讨,在此基础上举例说明如何在三级贯标项目中进行软件测量指标的选取。通过将近一年时间的GJB5000A项目实施,证明了测量指标选取有效性,以及测量指标存在的涌现性命题。     

三种典型湿度标准器性能参数对比分析

选取DHT-2000型高精度温湿度测试仪、VaisalaHMP233温湿度仪和Syinyei S-1型露点仪三种典型的湿度标准设备,利用湿度检定箱对比分析了在30%-90%RH的湿度区间,三者测湿性能参数的差异。结果表明：DHT-2000型高精度温湿度测试仪与露点仪的测量精度相对较高,响应时间短,重复性较好。在取样湿度较高时,露点仪对环境要求较高,复现性相对较差。     

基于相对骨骼点特征和时序自适应感受野的动作识别方法

针对长时间动作识别难以充分利用时空域信息的问题,提出了基于相对骨骼点特征和时序自适应感受野的动作识别方法。首先,该方法在特征获取部分增加了相对骨骼点特征,以满足节点多样性和互补性要求,将其分别输入到空域图卷积网络,获得空间中相邻关节聚合的局部特征。然后,设计了一个时序自适应感受野网络,以获取在时域中关节变化的局部特征,并且增加了网络对不同持续时长动作的适应性。最后,经过决策级融合模块,计算类别概率,得到分类结果。仿真结果表明,基于NTU RGB+D和Kinetics-skeleton两大基准数据集,对比多种主流方法,均取得了更高的识别准确率,分别为96.2%与60.1%。该方法可以较好地提取不同动作的区别性时间特征,提高了动作时空特征的判别能力。     

俄空军装备维修保障管理体制研究

<正>本文系统介绍了俄国防部装备维修保障改革历程,重点分析了俄空军装备维修保障的三级管理架构,即从国防部到空军部再到基层部队,总结分析了俄空军装备维修保障管理体制的特点。0引言俄罗斯经过新一轮的军事改革,从俄国防部到空军部再到基层部队都相应的对装备维修保障体制进行了重大调整,形成了后勤保障和技术保障"后技合一"、上下一致的装备保障体制,基本实现了装备维修保障力量建设的集约     

飞机在有源干扰保护下的探测概率研究

研究了飞机与雷达探测系统遭遇时，雷达对飞机的探测概率随距离的变化问题，采用X^2类目标波动模型，针对飞机在有源干扰保护的情况对探测概率随距离的变化进行了研究，对不同RCS对探测概率的影响问题进行了分析，研究结果可为飞机的雷达探测敏感性评估，飞机生存力的定量化分析与权衡，以及雷达探测系统的效能评估提供量化依据。     

细长旋成体大迎角俯仰振荡的数值研究

为研究俯仰振荡对细长旋成体流场与气动特性的影响,利用雷诺平均方法与大涡模拟的混合方法相结合的脱体涡模拟方法对大迎角下细长旋成体俯仰运动进行了数值模拟研究。通过对背风面分离涡的强度和位置、细长体绕流形态、截面压强系数和侧向力系数的观察和分析,发现施加小振幅、特定频率的俯仰振荡对大迎角细长旋成体背风面流场有明显的控制能力,...     

飞机起落架设计专家系统研究

从设计型专家系统组成出发,将设计型专家系统理论应用到起落架设计中,文中详细讨论了起落架设计知识表有式和组织结构,以及起落架设计专家系统ＡＬＧＤＥＳ组织结构,通过研究表明,专家设计系统可以有效地利用起落架设计经验,提高起落架设计质量、缩短设计周期,有力的推进人工智能技术在飞机设计领域中的应用。     

FAST FEATURE RANKING AND ITS APPLICATION TO FACE RECOGNITION

A fast feature ranking algorithm for classification in the presence of high dimensionahty and small sample size is proposed. The basic idea is that the important features force the data points of the same class to maintain their intrinsic neighbor relations, whereas neighboring points of different classes are no longer to stick to one an- other. Applying this assumption, an optimization problem weighting each feature is derived. The algorithm does not involve the dense matrix eigen-decomposition which can be computationally expensive in time. Extensive exper- iments are conducted to validate the significance of selected features using the Yale, Extended YaleB and PIE data- sets. The thorough evaluation shows that, using one-nearest neighbor classifier, the recognition rates using 100-- 500 leading features selected by the algorithm distinctively outperform those with features selected by the baseline feature selection algorithms, while using support vector machine features selected by the algorithm show less prominent improvement. Moreover, the experiments demonstrate that the proposed algorithm is particularly effi- cient for multi-class face recognition problem.