Liutex-涡定义和第三代涡识别方法

本文回顾了涡定义和涡识别方法的发展历史,着重介绍了作者UTA(University of Texas at Arlington)团队及其合作者在涡科学和湍流研究的一些最新学术创新成果。UTA团队发现了可以定量描述流体刚性转动部分的物理量——Liutex向量,其主要思想是把流体刚性转动从流体运动中提取出来,进而用Liutex来定义和识别涡结构,并已在广泛应用中证明了其作为涡识别方法的优越性。基于Liutex向量可以进一步研究涡量分解、速度梯度张量分解、流体运动分解、湍流结构、湍流生成机理以及旋涡的科学识别,为流体运动学的发展开辟了广阔的研究空间。区别于第一代涡识别方法和第二代涡识别方法,Liutex是一个向量,其方向代表当地转轴,大小代表当地流体刚性旋转角速度的二倍。本文详细介绍了基于Liutex向量的第三代涡的定义和识别方法,包括Liutex等值面、Liutex-Omega等值面、Liutex向量线、Liutex涡核线、以及最新发现的中低雷诺数湍流边界层中的Liutex-5/3幂次相似律,其发现很大程度上扩大了传统湍流能谱幂次律的适用范围,对建立湍流模型具有重要意义。     

基于变参数广义结构的距离扩展目标检测方法

针对特定杂波背景下的最优或次优检测器结构难以适应过渡杂波环境的问题，首先，给出基于变参数广义结构的距离扩展目标检测器，通过调整参数来适应杂波特性。其次，确定检测器最佳参数的经验公式，经验公式符合数值结果。最后，利用仿真试验分析检测器的检测性能。仿真结果表明，在介于高斯和复合高斯杂波之间的过渡环境中，提出的检测器比现有检测器具有更加优异的目标检测性能，对杂波非高斯程度时空渐变性具有较强的适应能力。     

基于支持向量的迭代修正质心文本分类算法

针对质心分类算法容易产生归纳偏置或模型失配问题的不足,提出一种基于支持向量的迭代修正质心分类算法.该方法仅使用由支持向量机(SVMs,Support Vector Machines)选出的支持向量来构造质心向量,然后利用训练集误分样本来迭代修正初始质心向量.与其他分类算法相比,该算法取得较好的宏平均F₁和微平均F₁,在8个常用文本分类数据集上的实验验证了该算法的有效性,特别是在不均衡文本语料上.     

一种基于奇偶判断WPT的多音干扰抑制方法

频移小波包变换可以有效抑制窄带干扰,以提高扩频测控系统的抗干扰能力,但是在多音干扰下,当信号左右节点都存在干扰时,由于不能通过子带能量大小来确定子节点是否继续分解,导致该方法不能抑制多音干扰.针对该问题,提出了一种基于奇偶判断WPT的多音干扰抑制方法,通过采用子带能量差平稳度函数来判断干扰最佳频移量,然后对频移后的干扰子带进行编号,并通过门限判断进行干扰子带定位,确定干扰子带的编号,再通过对干扰子带的编号进行奇偶判断,可以得到小波包的自适应分解树,实现信号的自适应分解,分解到最底层后将干扰子带置零,最后根据分解树反向进行信号重构,完成干扰抑制.通过对误码率、测速精度和测距精度的仿真,结果表明该方法能够有效抑制多音干扰.     

基于SVM的多源异构数据融和方法

多源异构数据融合可为决策提供更好的支持,相较于单一数据源有很多优势。异构数据融合常发生在特征级和决策级。本文基于统计学习理论支持向量机(SVM)机制,对多源异构数据特征级融合进行了研究,实验证明此方法能有效实现多源异构数据的融合,并应用于决策支持。     

航空发动机涡轮结构参数对EGTM的影响研究

针对维修后的发动机试车EGTM偏低的现象，从高压涡轮气路结构参数的层面上进行分析，并依据一些重要学术分析和大修厂的历史数据资源，确定明显影响EGTM的相关结构参数，利用主成分分析法（PCA）进一步提取与EGTM变化相关的参数。建立SVM模型，预测维修后的EGTM，依据参数量变对EGTM的影响，分析如何调整涡轮结构参数达到提高EGTM的目的,从而为维修后EGTM仍不理想、需再次返厂维修的发动机提供有效的维修建议。     

一种CCSDS深空标准的LDPC码高效实现

针对CCSDS(空间数据系统咨询委员会)深空通信标准LDPC(低密度奇偶校验码),为减少定点量化后的译码性能损失,提出了一种改进的译码修正算法。通过分析矩阵结构特点,并引入交错译码结构以及流水结构,设计了一种适合该标准深空通信LDPC码编译码器的高效实现结构。使用此结构,在Xilinx公司的XC5VSX95T芯片上实现了CCSDS深空通信标准的(8 192,4 096)LDPC码,在40次迭代情况下可以达到47m的吞吐率。实践表明:该设计可以灵活地移植应用于其他码率的CCSDS深空通信标准LDPC编译码器设计。     

基于机器学习的结冰风洞温度场预测

结冰风洞是开展飞行器结冰与防除冰研究的重要基础设施,其制冷系统通过调节压缩机吸气压力实现风洞内气流温度的精确控制,吸气压力控制及降温方式影响着风洞的试验效率。为实现压缩机吸气压力的准确预测,本文采用自适应粒子群算法优化后的支持向量回归（APSO–SVR）建立预测模型;在此基础上,利用多层感知机（MLP）神经网络建立分析模型,研究试验工况参数对风洞降温速率的影响。结果表明:压缩机吸气压力的预测值与试验值的平均绝对百分比误差（E_MAP）低于4%,均方误差（E_MS）低于0.003;影响风洞降温速率的工况参数主要有气流压力、试验风速、压缩机吸气压力和换热器出口初始温度,其中,压缩机吸气压力对降温速率的影响是最显著的。