基于BP人工神经网络的离心压气机叶轮多目标优化设计方法

利用Concept NREC软件建立离心压气机叶轮设计样本库,借助BP（back propagation）人工神经网络建立样本库中各设计参数与压气机性能之间的关系,接下来以多目标遗传算法寻找Pareto解,从而获得离心压气机叶轮最佳设计参数.将该方法应用于Krain叶轮设计工况,所得叶轮的效率、压比较Krain叶轮原型分别提高1.4%和10.9%.通过对人工神经网络模型可靠性的讨论、多目标优化模型的主成分分析和所设计叶轮性能的CFD验证,证明了所构建的目标函数与所获得的Pareto解集的合理性,说明本方法可以有效应用于在离心压气机设计、选型.      

某涡扇发动机主燃油通道模糊控制器设计

针对某型涡扇发动机的性能控制,设计了一种可进行多输入选择的开关式双模非对称、非线性段量化因子可自寻优的Fuzzy控制器.其可以在最大和加力状态对发动机状态进行控制,克服了一般模糊控制器因发动机转速动态响应变化快而不能进行实时调整和控制的缺点.该控制器输出与某涡扇发动机电子综合调节器的输出结果的实验比较表明:双模Fuzzy控制器设计简单,有较好的静态、动态特性,与实际输出比较误差较小,且具有很好的非线性校正作用,可作为实际发动机主燃油通道的数字控制器.     

带分流叶片离心叶轮的动力分析技术

 提出一种可用于实际带分流叶片离心叶轮的动力分析技术,其特点为在叶轮的重复扇形区域中可作多部件分割。先后应用Benfield模态代入变换和群变换,导出减缩坐标下的Hermite广义质量矩阵和刚度矩阵,求解并经变换得出完整叶轮的全部模态。和其它方法对模型和实际叶轮的分析结果以及与试验结果的比较,验证了所提方法的可靠性、实用性及明显的经济效益。     

常规装药近地爆炸冲击波效应数值模拟

针对现有经验公式在计算爆炸地面冲击波超压值时存在的局限,采用NND2M差分格式对TNT柱形装药在小爆高状态下的爆炸冲击波效应进行了数值模拟研究,并与试验实测值及经验公式计算值进行了比较,分析了存在差异的原因,证明了本文采用的计算是合理可靠的.     

基于数据模型的某型民用飞机货舱区域腐蚀影响因素研究

 为研究舱内环境因素对民用飞机货舱区域腐蚀的影响,采集了停场飞机的货舱内外环境指标的数据,建立线性模型,给出了飞机货舱内外环境指标的数量关系。收集了国内几家航空公司某型民用飞机长期的结构腐蚀维修数据,计算了飞机货舱区域腐蚀频率与环境因素的灰色关联度,选取影响腐蚀的主要环境因素,提取主成分消除环境因素之间的多重共线性,建立腐蚀频率的多因素回归模型,研究了各类环境因素对飞机货舱区域腐蚀的影响规律与特点。分析结果表明:高温高湿天数与降水指标对该型飞机货舱区域腐蚀有显著的促进作用,并且不同航空公司的货舱区域腐蚀频率有显著差异,表明运营、结构检查和维护等人为因素对货舱区域腐蚀有显著影响。分析结果符合民用飞机货舱腐蚀控制的工程经验,表明研究方法是合理的。     

基于自适应核主元分析的EHA系统传感器故障检测

针对核主元分析(KPCA)方法难以选择合适核函数的问题,提出了一种基于自适应核主元分析的传感器故障检测方法,根据训练数据对核函数进行自适应修正,使核函数适应给定的训练数据。对常规数据标准化处理方法进行了改进,提出了一种"均值化"的处理方法,使处理后的数据既能消除不同变量幅值和量纲的影响,又能反映训练数据的全部信息。将此方法应用于机载电动静液作动器(Electro-Hydrostatic Actuator,EHA)系统的传感器故障检测,结果表明,此方法比常规KPCA方法更为先进,具有更好的故障检测性能。     

复合推进剂高压下侵蚀燃烧特性的研究

讨论了少烟丁羟合推进剂高压下侵蚀燃烧与装药装填密度的关系，给出了计算变截面装药气流速度方程，总结了在此推进剂在Ｐ≥１５．０ＭＰａ下侵蚀燃烧规律，为装药设计提供了依据。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题,提出一种基于自适应深度网络的无人机目标跟踪算法。首先,基于主成分分析（PCA）和卷积神经网络（CNN）算法,设计3阶的自适应深度网络进行目标特征提取,该网络对图像的H、S、I通道分别进行主成分分析学习,将得到的特征向量输入网络进行分层卷积,优化了网络结构,提高了网络的收敛速度和精度。其次,将目标深度特征输入核相关滤波算法进行目标跟踪,通过分析相邻2帧图像的变化率,采用分段自适应调整学习率的算法进行目标模板更新,有效地改善目标遮挡问题。仿真实验结果表明,该算法有效地避免了复杂因素干扰导致的跟踪精度下降,具有较好的鲁棒性,相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%,平均跟踪成功率提高了11.9%。     

一种鲁棒的概率核主成分分析模型

大数据时代面临的数据维数越来越高,对数据降维处理越发显得重要。经典的主成分分析模型已被证明是一种有效的数据降维方法。但它在处理非线性、存在噪声和异常点的数据时存在效果较差的问题。对此,文章提出了一种鲁棒概率核主成分分析模型。该模型将核方法与基于高斯隐变量模型的极大似然框架相结合,用多元 t分布作为先验分布,以同时解决主成分分析在这 3个方面的弊端。提出混合鲁棒概率核主成分分析模型,使其可直接用于对混合的非线性数据进行降维和聚类分析。在不同数据集上进行的实验结果表明,与标准的混合概率核主成分分析模型相比,文中模型在数据聚类方面有更高的准确率。