Optimized Fuzzy Clustering Method for Health Monitoring of Shield Tunnels

Since health monitoring of shield tunnels generally employs multiple sensors belonging to different types,a fine analysis on massive monitoring data,as well as further quantitative health grading,is really challenging.An optimized fuzzy clustering analysis method based on the fuzzy equivalence relation is proposed for health monitoring of shield tunnels.Clustering results are auto-generated by using fuzzy similarity-valued map.The results follow the idea of unsupervised classification.Moreover,a convenient new health index HI is proposed for a fast tunnel-health grading.A case study on Nanjing Yangtze River Tunnel is presented to validate this method.Three types of indicators,namely soil pressure,pore water pressure and steel strain,are used to develop the clustering model.The clustering results are verified by analyzing the engineering geological conditions;the validity and the efficacy of the proposed method are also demonstrated.Further,the fuzzy clustering analysis also represents a potential for identifying abnormal monitoring data.This investigation indicates the fuzzy clustering analysis method is capable of characterizing the fuzziness of tunnel health,and beneficial to clarify the tunnel health evaluation uncertainties.     

基于改进遗传算法的机器人动态路径规划

针对基本遗传算法解决移动机器人路径规划的不足,提出了一种改进的遗传算法。首先,采用栅格法对机器人路径规划进行建模。然后,提出一种生成初始种群的方法和精英策略,设计出自适应变异概率,提高了算法的求解质量。同时,在规划过程中,将全局路径规划与局部路径规划相结合,并且根据机器人与动态障碍物碰撞类型的不同,提出了相应的避碰策略。仿真实验表明:该算法优于基本遗传算法,能够有效地指导机器人在动态环境中实现避障,获得无碰最优或次优路径。     

基于Riccati方程的离散容错控制系统设计

基于离散系统的Ｒｉｃｃａｔｉ方程，提出一种对传感器失效具有完整性的离散控制系统的设计方法，给出了完整性设计方法的设计步骤，并用设计实例验证了该方法的有效性．该方法还可推广用于执行器失效的情况．     

Solving Job-Shop Scheduling Problem Based on Improved Adaptive Particle Swarm Optimization Algorithm

An improved adaptive particle swarm optimization(IAPSO)algorithm is presented for solving the minimum makespan problem of job shop scheduling problem(JSP).Inspired by hormone modulation mechanism,an adaptive hormonal factor(HF),composed of an adaptive local hormonal factor(H l)and an adaptive global hormonal factor(H g),is devised to strengthen the information connection between particles.Using HF,each particle of the swarm can adjust its position self-adaptively to avoid premature phenomena and reach better solution.The computational results validate the effectiveness and stability of the proposed IAPSO,which can not only find optimal or close-to-optimal solutions but also obtain both better and more stability results than the existing particle swarm optimization(PSO)algorithms.     

基于贝叶斯模型平均的航空发动机可靠性分析

针对不同失效模式的特点,利用航空发动机状态监测信息,分别采用Gamma过程、Wiener过程和Weibull分布建立可靠性分析模型.采用贝叶斯模型平均（BMA）方法,分析不同失效模式对可靠性影响,对航空发动机可靠性进行集成分析.通过算例跟踪某在翼航空发动机可靠性水平,基于贝叶斯模型平均的航空发动机可靠性模型的计算误差率低于单一可靠性分析模型,计算结果误差率低于1%.说明多模型集成可靠性技术在复杂系统运行可靠性分析中的有效性和准确性.      

牵制缓释放过程中火箭动力响应特性分析

为研究运载火箭在牵制缓释放过程中的结构动力响应特性,将牵制缓释放发射过程依次分为静态竖立、点火牵制和缓释放三个阶段进行计算。运用MSC.Patran有限元程序的场功能来实现上一阶段的全部计算结果场向下一阶段初始条件场的传递,运用MSC.Nastran有限元程序的非线性弹簧单元的非线性位移载荷函数功能来模拟运载火箭缓释放过程中的缓释力,实现运载火箭牵制缓释放过程结构动力响应的数值计算,并对比分析运载火箭几种常用发射释放方式的结构动力响应特性。结果表明:采用牵制缓释放系统可有效减小运载火箭释放时所受冲击载荷,减小运载火箭全箭结构动力响应。     

基于推力加速度模板的主动段弹道跟踪方法

对弹道导弹的主动段跟踪是导弹防御中重要的环节。针对此问题提出了一种基于推力加速度模板的主动段跟踪算法，该算法需要主动段推力加速度信息支持。给出了一种简捷的推力加速度模板构建方法。利用近常速运动模型描述了导弹运动特性，解决了对导弹发射时间的估计问题和模板概率的递推计算问题，并将该方法应用到空间预警系统中，通过仿真验证了该方法具有较好的识别效果，位置和速度估计误差都接近于CRLB限。     

卫星ATM交换系统中一种连接允许控制算法的改进

对于卫星ATM交换系统，连接允许控制（Connection Admission Control，CAC）是一个重要部分。针对卫星ATM中的一种连接允许控制算法一快速缓存分配法可能出现过高的信元丢失率提出了一种利用缓存器进行子波束再分配的改进方法，并采用流体流模型对改进后CAC算法进行了分析和仿真。结果表明，随着该改进方法所设置的缓存器容量的增加，信元丢失率明显下降。     

卫星脉冲推力最优逃逸返回轨迹的非线性规划

重点研究了卫星通过轨道机动逃避碰撞、拦截并经一段时间后返回原轨道的逃逸方式。利用非线性规划理论建立了脉冲推力能量最省的逃逸轨迹规划模型，并考虑非球形摄动的影响对模型进行了修正。通过仿真验证了模型的正确性及求解的可行性，并分析了非球形摄动因素对逃逸过程的影响。     

适于LEO卫星IP网络的源组播算法

为了解决LEO卫星IP网络中现有源组播算法的信道资源浪费问题，提出了一套新的组播算法。即基于核心群的特定源组播（CSSM）算法和加权的CSSM（ω-CSSM）算法。CSSM算法以源节点作为初始核心群，通过核心群和剩余组成员的最短路径方法逐步扩展直至整棵组播树构建完成，这样所得的树代价最小，从而大大提高了网络的传输带宽利用率和有效传输容量。在ω-CSSM算法中，所提出的加权因子可以调整组播树的树代价和端到端传播时延之间的折衷程度，因此，可以通过调整加权因子柬适度增大树代价、降低端到端传播时延，从而支持某些有严格端到端时延要求的实时组播业务。通过与LEO卫星IP网络中典型源组播算法MRA的仿真比较，可以看出CSSM和ω-CSSM算法的树代价性能比MRA有显著改善，而端到端传播时延略高。