基于自相关及相位差法的高精度频率估计算法

为提高高斯白噪声背景中正弦信号的频率估计精度,对基于自相关运算的频率估计算法的相关长度m进行了推导,得到了m的优化值与信噪比的关系式.当信噪比较高时,m的最优值为N/3(N为信号采样点数);信噪比较低时,m的最优值为N/2.通过对自相关法及分段FFT(Fast Fourier Transforms)相位差法特性的分析,提出了一种性能更优的频率估计综合算法. Monte Carlo仿真实验表明:新算法吸收了两种算法的优点,克服了其不足,在更大的信噪比范围内具有较高的频率估计精度,且计算量也较小.      

以综合电子技术构筑航天器智能化的坦途

未来航天任务要求航天器具备在轨智能处理的能力,而综合电子系统是航天器智能化的中心。一种为未来智能化应用开发的航天器综合电子系统,将传统的遥控、遥测和数据管理功能集成为一个简便易用的标准服务功能包,同时在具有统一信息网络服务的通信能力,以及支持分布并行计算、模块化扩展升级、系统重构的计算能力和存储能力等,为在轨智能处理建立了所需的硬件和软件支持。利用这些基础结构,应用过程可以专注于航天器智能处理的实现,从而完成各种复杂任务。     

国际空间合作发展态势分析（上）

目前，空间领域的国际合作在增多．空间合作的渠道在拓宽，合作的领域在延伸。由于通过空间国际合作加强了技术交流，降低了参与国的空间开发成本，解决了某些航天项目经费不足的问题；从而加快了世界空间事业发展的步伐。实践证明，国际合作是解决空间领域某些难题的一条经济可行的快捷之路。那么，国际空间合作的发展态势究竟如何呢？经过分析．我们认为主要有以下几点。     

民机结构细节疲劳敏感性分析（力学参量部分）

研究了力学量（Smax、DFR、K1）对结构细节疲劳性能的影响：给出了可甩于初步设计的分析曲线和相关结论。     

陶瓷基复合材料高精度宏细观统一本构模型研究

基于高精度通用单胞模型(HFGMC)建立了陶瓷基复合材料(CMCs)的宏细观统一本构模型.首先基于CMCs的细观结构和损伤特点建立代表体元(RVE)并定义细观损伤变量.然后采用HFGMC模型计算细观损伤变量的演化,由此获得宏观应力应变曲线,从而建立了CMCs的宏细观统一本构模型.采用该本构模型预测了CMCs的宏观应力应变曲线,与实验结果吻合良好.结果表明该本构模型能够模拟CMCs的拉伸与损伤行文,为CMCs强度分析提供了有效手段.      

发动机数字式电子控制人综合环境可靠性试验中受益

装配数字式电子燃油控制系统的一台军民两用喷气发动机已完成综合环境可靠性试验（CERT）,试验中暴露了几种一般不易辨识的故障模式。本文讨论了这些故障模式的表现形式及其纠正措施,确定了在维修活动中或者仔细检查过程中发现的几咱次要的反常现象。两种不同的控制系统的CERT试验,未来的CERT试验潜在的改进作用将产生更好的费用效益。文章最后阐述了实时CERT试验的好处,并指出优良的发动机控制系统可靠性的特点将逐渐被航空公司营业收入证实。     

橡胶密封性能多元双方差回归分析方法

建立了橡胶密封材料压缩永久变形的加速老化模型及其多元双方差回归分析方法,给出了密封性能的回归方程及其高置信水平、高可靠度的单侧置信上限曲线,并建立了可靠贮存寿命、贮存可靠度的计算方法.橡胶密封性能的多元双方差回归模型包含与时间有关的过程自变量和与温度有关的状态自变量,可以将不同温度下的加速老化试验数据作为一个整体进行回归分析,充分利用了不同时刻压缩永久变形间的纵向信息,具有信息量大、精度高且计算简单的特点.      

舰载机壁板剪切后屈曲承载能力预测与试验验证

舰载机着舰撞击对机翼盒段产生巨大的扭矩,蒙皮以剪切形式承受扭矩,这是机翼壁板的重要设计工况。为准确预测加筋壁板剪切后屈曲承载能力,采用MSC.NASTRAN软件MRIKS弧长法,将线性屈曲分析的一致模态缺陷位移作为扰动引入后屈曲分析。考虑材料和几何双重非线性,对整体加筋壁板剪切试验件的后屈曲破坏过程进行模拟、对承载能力进行预测。根据剪切试验结果,进行对比分析。结果表明：有限元模拟的加筋板初始屈曲发生在蒙皮上,长桁足够大的相对刚度使得长桁与蒙皮连接线上出现屈曲节点,随着载荷增大,加筋壁板整体"坍塌",与试验现象一致。有限元分析（FEA）得到的初始屈曲载荷与试验结果的误差为1.25%,预测的极限承载载荷与试验破坏载荷的误差为2.4%。表明引入缺陷后的MSC.NASTRAN弧长法非线性后屈曲计算能够准确预测加筋壁板剪切后屈曲承载能力,为加筋壁板剪切试验和强度设计提供了分析方法。     

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%。