采用具有输入估值的变维滤波器进行的跟踪

本文提出了一种跟踪机动目标的改进方法。把输入估值方法的逆推公式与变维滤波器方法综合起来就构成了本文所提出的跟踪滤波器。在所提出的方法中，滤波器还提供目标开始机动的瞬间时间估值（当检测到目标机动时）。支用所估算的机动起始时间也可估算机动输入，跟踪系统则转换为机动模型。所提出的方法的计算负担与输入估值方法的相当。这种跟踪滤波器的有效性已经通过模拟得以验证，并将茯与交互式多模（ＩＭＭ）滤波器、输入估值滤     

弹上电子设备的可靠性降额设计方法

在我国目前电子元器件可靠性水平还不太高的情况下，为设计出高可靠的弹上电子设备，采用降额设计是一种有效的办法。本文通过对某战术导弹可靠性工程的实践，介绍了有关降额设计的一些方法。     

二维翼型实验的侧壁影响研究

本采用油流显示技术，测量模型弦向和展向压力分布的方法，对二维翼型风洞中的侧壁附面层影响进行了研究。为能更详细了解侧壁对模型的影响，采用不同弦长的模型和两个不同风洞的实验结果比较的方法，由油流显示揭示侧壁干扰流动图画，利用侧壁抽气和干扰修正方法，来消除侧壁对模型的影响，实验结果表明，选取合理的抽气方式可得到有效的二维实验结果。     

基于SAE-SA-1D-CNN-BGRU的涡扇发动机剩余寿命预测

为解决涡扇发动机监测数据维度高和寿命预测准确度低的问题,提出一种基于深度学习的寿命预测方法,开展了利用 神经网络获取涡扇发动机剩余寿命的研究。利用堆叠自编码（SAE）网络从高维传感器数据中提取健康因子（HI）,采用1维卷积神 经网络-双向门控循环单元（1D-CNN-BGRU）方法捕捉HI序列中的空间和时间特征,并引入自注意（SA）机制对捕捉的特征分配 权重,使用全连接层输出涡扇发动机剩余使用寿命（RUL）,以此构建复合神经网络进行面向涡扇发动机高维数据的寿命预测。结 果表明：利用NASA官方网站提供的涡扇发动机寿命试验公开数据集C-MAPSS对该方法进行验证,取得了均方根误差16.22和评 分函数225的结果。证明了基于SAE-SA-1D-CNN-BGRU的寿命预测方法可实现涡扇发动机寿命的有效预测,能为涡扇发动机 维修保障及健康管理提供有效决策支撑。     

基于滤波反投影算法的TDLAS温度测量研究-流场诊断特别专栏

为提高二维重建温度场的抗噪声、抗干扰能力,本文研究了基于滤波反投影算法的可调谐激光吸收光谱二维层析成像系统。首先,通过数值模拟研究了滤波反投影算法的重建质量与影响因素,结果表明,随机噪声达到10%时,重建图像仍能较好地反映原温度场特征;滤波函数能明显改善重建质量;三次样条曲线插值的重建质量最高。然后通过基于滤波反投影算法的二维层析成像系统对弱旋流燃烧室出口温度场进行重建,将重建结果与热电偶测量结果进行对比,相对误差范围为1.4%-8.9%,较好地反映出温度场的特征,验证了滤波反投影算法的层析成像系统的可行性。     

挠性空间飞行器姿态控制系统的时间域鲁棒稳定性分析

本文研究挠性空间飞行器姿态控制系统的时间域鲁棒稳定性分析,由于太阳帆板的转动和动量轮的转速变化,使飞行器的数学模型具有不确定性。这些不确定性可以归结为对动力学系统运动方程式的摄动。文中导出了鲁棒稳定性判据,并用算例说明其应用。     

空时自适应处理（STAP）概述

简要概述了空时自适应处理（STAP）技术在雷达中的应用情况。阐述了空时信号的多样性和包括降维与降秩STAP方法在内的各种自适应处理机。阐明了地杂渡和噪声干扰的空时特征和关键STAP性能指标。对当前的一些STAP课题进行了指导性总结：空基雷达、双基地STAP、知识辅助型STAP、多通道合成孔径雷达和非旁视阵列结构等。     

多传感器目标识别的优化融合

对于工作在复杂环境下的多传感器目标识别系统,确保其稳健性和准确性的关键是有效处理被融合信息的不确定性。根据影响信息不确定性的因素,文章把传感器本地识别信息的可信度分为了统计可信度和环境可信度;采用最小二乘法和神经网络实现统计可信度的估计,自适应神经模糊推理实现环境可信度估计;并利用这两种可信度实现以一致理论为基础的多传感器目标识别的优化融合。经实验仿真证明,该融合方案是有效的。     

预报误差法在伺服系统时域辨识中的应用与实现

介绍了系统辨识中的预报误差法的基本原理,设计了一种简洁通用的软硬件辨识平台。成功地应用预报误差的辨识方法对一个实际的中功率雷达伺服系统实现了时域辨识,得到了该伺服系统比较准确的模型。将辨识结果与一般最小二乘法的辨识结果进行了比较,发现此辨识方法在抑制噪声方面有很大的改进。     

翼伞雀降技术

雀降是翼伞的一种重要性能，在本质上是一种心操纵的动力失速，使回收系统以最小的速度着陆，降低着陆冲击，实现定点着陆冲击，文章简要介绍了翼伞雀降技术的概念，雀降的典型过程和影响雀降性能的主要因素。