基于过渡工作过程的航空发动机气路分析方法

为对发动机机动性能的退化程度进行估计,开展了基于过渡工作过程的气路分析研究。针对气路传感器数目较少的情况,采用序列工作点方法对大量的健康参数进行分析,在增加可用信息量的同时,降低了由多工作点方法的平均效应引入的参数估计系统误差。为解决发动机大偏差性能退化健康参数估计中的计算收敛性问题,提出了间接递归牛顿-拉夫逊法强化非支配分类差分进化算法。针对某型双轴分排涡扇发动机的气路分析结果表明：采用本文所提出的方法能够在气路传感器数目有限的条件下,利用发动机过渡态数据实现对大偏差范围内大量健康参数的高效、准确估计。     

卫星装配序列规划的智能优化算法研究

结合单个算法的优缺点,文章提出了一种用包含多种改进型智能优化算法的算法库(IIAL)来解决卫星装配序列规划问题的方法。算法库由算法向导和多种算法组成,算法向导可依据若干参数描述给出适合当前规划任务的最合适算法,规划人员可依据向导建议在遗传算法、粒子群算法、蚁群算法、模拟退火算法中选择相应算法进行求解。最后,用实例验证了方法的合理性。该方法可为星上设备装配序列规划提供参考。     

疯狂的游戏

游戏规则:在横列、正斜线、反斜线上填入连续数列(例如1～6、3～8、4～9……),使横列、正斜线、反斜线上的数字不重复。也就是说,除了中央的横列、正斜线和反斜线上填入的数字是1～9外,其他横     

DISCUSSION ON AVERAGE GENERATION OF TWODIMENSIONAL DATA SEQUENCE IN GREY SYSTEM THEORY

An unequal time interval sequence or a sequence with blanks is usually completed with average generation in grey system theory. This paper discovers that there exists obvious errors when using average generation to generate internal points of non-consecutive neighbours. The average generation and the preference generation of the sequence are discussed, the concave and convex properties show the status of local sequence and propose a new idea for using the status to build up the criteria of choosing generation coefficient. Compared with the general average method of the one-dimensional data sequence, the two-dimensional data sequence is defined and its average generation is discussed, and the coefficient decision method for the preference generation is presented.     

超混沌系统的控制分析

论文采用系统变量的比例微分反馈法研究了六阶耦合Chua电路的超混沌和非自治强迫布鲁塞尔振子的混沌控制问题。理论分析和数值研究表明：对于超混沌系统的控制，只用一个变量进行反馈通常是不充分的，一般至少需要两个变量进行反馈，才能实现超混沌的控制目标。     

一种新型雷达引信混沌信号号发生器

研究了一个新型混沌振荡电路，分析了该电路的非线性机理。通过对该电路产生的混沌振荡电压作相关性、游程性统计和雷达模糊函数特性分析，发现它们的特性非常逼近于理想白噪声特性，从而揭示了该混沌电路用于雷达引信的可能性和优越性。     

一种基于RS码的宽间隔跳频序列生成方法

针对目前基于RS码生成的非重复跳频序列周期较短、序列复杂度较低、工程实用性不强等缺点,提出一种改进的RS码宽间隔跳频序列生成方法。使用长周期的RS码,采用非线性转移矩阵法将其转换为跳频序列,再用对偶频带法对其进行宽间隔处理。性能仿真结果表明,与以往的方法相比,改进的跳频序列在增加了序列复杂度的情况下,仍具有良好的均匀性、随机性和汉明相关性,且实现较简单,工程实用性较强。     

结构自适应序贯正则极端学习机时间序列预测及其应用

为提高初始小样本情况下时间序列在线预测的精度,提出了一种结构自适应序贯正则极端学习机(SA-SRELM)。该方法在在线序贯学习阶段,针对不同训练样本规模选择不同的递推方式对输出权值进行更新;同时,在训练样本达到一定规模后,为提高预测模型对系统的动态适应性,在加入新样本的同时对旧样本进行剔除,完成预测模型的训练。利用3种混沌时间序列预测实例对所提方法的有效性进行了验证。最后,将所提方法用于航空发动机排气温度预测中,结果表明该方法相对正则极端学习机(RELM)和序贯正则极端学习机(SRELM)方法具有更好的泛化性能,预测精度分别是二者的约6倍和2倍。