强度关联遥感成像技术

过去十多年中,利用光场的量子（或经典）涨落及其关联获取目标图像信息的量子（强度）关联成像技术和基于自适应稀疏结构表象的信号处理技术的不断发展,为图像信息的获取提供了一条可突破传统光学成像技术图像分辨率和图像获取效率理论极限的全新技术途径。文章将概括地介绍这一研究方向,并简要讨论其在遥感领域中的应用前景和需要进一步研究的...     

基于人工神经网络的柔性机翼挠度预测

为实现对承载后柔性机翼挠度的准确预测,在全面分析柔性机翼挠度的影响因素基础上,应用正交试验法确定的影响柔性机翼挠度的主要因子作为输入变量,挠度作为输出变量,以大量试验数据为训练样本,通过多次试取隐含层和各隐含单元,并选取trainlm作为最优训练函数,最终建立了预测柔性机翼挠度的BP(Back Propagation)人工神经网络模型.在此基础上,随机选取试验结果中的12组试验样本,连续进行10次挠度预测,预测结果和试验实测值最大相对误差和标准方差分别为4.481%,1.033 7.解析结果表明:柔性机翼挠度预测结果与实验值吻合的较好,建立的人工神经网络预测模型具有较高的预测精度.     

大胆探索:利用磁白矮星作为宇宙航行的中转站

1995年10月6日,瑞士天文学家首次确认太阳系外有颗行星(其主星"飞马座51"离地球51光年)。以后随着高解像度光谱学技术的进步,到2009年被发现的系外行星已超过400颗。2011年2月20日,美国航宇局项     

基于非线性动态逆的无人机自动着陆控制系统

采用非线性动态逆(NDI)控制方法来解决无人机(UAV)自动着陆阶段的非线性控制问题。建立了无人机非线性数学模型,应用奇异摄动理论对飞机动态进行时标划分,研究快、慢状态子系统的控制器及机动产生器的设计,在无风情况下以及受到给定值风扰动情况下完成了系统自动着陆仿真验证。系统仿真结果表明该控制系统能够满足系统控制精度要求。     

模型桨叶温热特性试验研究

桨叶除冰技术是一项重要的直升机研究课题,桨叶温热特性是其中重要一环。本文详细介绍了桨叶测温传感器设计,测点布置,测试控制原理,温热特性试验内容及结果等。试验取得了真实可信的数据,得到了一套完整的试验方法。     

诱发卫星深层充电的高能电子环境模式研究

文章介绍了与卫星介质深层充电相关的辐射带高能电子环境的主要特征和规律,建立了相应的高能电子环境模式及软件,并运用该模式针对某飞行器的深层充放电危险性进行了分析和评估。结果表明该模式相对于AE8模式更好地反映了高能电子环境的动态特征,与欧空局建立的FLUMIC模式符合较好。该模式与深层充电分析模型相结合,可用于对航天器的充放电异常进行在轨诊断,以及在工程上针对深层充电进行防护设计。     

液相炭化致密叠层针刺C/C材料的制备及性能

为了研究C/C材料快速致密的工艺,采用常压炭化和高压炭化联合致密的纯沥青液相炭化工艺,对叠层针刺C/C材料进行致密化处理,使预制体密度由 0.48 g/cm3增至 1.92 g/cm3,对该材料的力学及热学性能进行了测试,与整体毡C/C材料性能进行了对比,并利用扫描电子显微镜观察了材料的显微结构.结果表明,该材料具有较好的力学与热学性能,微观结构界面结合良好.     

蠕变时效成形的关键技术及应用

蠕变时效成形是实现大型蒙皮和壁板件成形的有效方法。分析了蠕变时效成形的原理,结合试验分析了蠕变时效成形的实际效果,详细论述了载荷施加方式和型面确定方法等关键技术,并阐述了蠕变时效成形可能的应用领域和应用前景。     

Application of support vector machine combined with K-nearest neighbors in solar flare and solar proton events forecasting

The support vector machine (SVM) combined with K-nearest neighbors (KNN), called the SVM-KNN method, is new classing algorithm that take the advantages of the SVM and KNN. This method is applied to the forecasting models for solar flares and proton events. For the solar flare forecasting model, the sunspot area, the sunspot magnetic class, and the McIntosh class of sunspot group and 10 cm solar radio flux are chosen as inputs; for the solar proton event forecasting model, the inputs include the longitude of active regions, the flux of soft X-ray, and those for the solar flare forecasting model. Detailed tests are implemented for both of the proposed forecasting models, in which the SVM-KNN and the SVM methods are compared. The testing results demonstrate that the SVM-KNN method provide a higher forecasting accuracy in contrast to the SVM. It also gives an increased rate of ‘Low’ prediction at the same time. The ‘Low’ prediction means occurrence of solar flares or proton events with predictions of non-occurrence. This method show promise for forecasting models of solar flare and proton events.