高速率光信号消光比测量的误差分析

介绍了基于示波器眼图的对光纤通信系统中高速率光信号消光比的测量方法,对测量过程中的主要误差来源进行了详细分析,并给出了减小这些误差项对测量结果影响的解决办法。     

考虑柔性气动力的机翼结构优化方法研究

分析研究了大展弦比弹性机翼结构静弹性变形对气动载荷的影响，在传统结构优化方法基础上进行了弹性机翼的结构优化设计方法研究。实现了在真实飞行条件下考虑静气动弹性变形影响的大展弦比弹性机翼的结构优化设计。结构优化设计算例验证了方法的可行性，优化结果表明结构重量收益明显。     

偏心比对S形流道雷达散射特性的影响

在进/出口形状、进/出口面积、中心线变化规律、面积变化规律等设计参数不变的条件下,采用超椭圆方法设计了11种不同偏心比的S形流道。同时,借助迭代物理光学法与等效边缘电磁流绕射方法,对不同偏心比的S形流道进行了雷达散射特性的数值仿真分析。结果表明:若将不同偏心比S形流道的雷达散射截面变化曲线看作是波的传播轨迹,相对于偏心比为0的流道,偏心比改变了波的相位、振幅;偏心比越大,其相位越滞后、振幅越小。     

基于功能脆弱性的空中交通相依网络流量分配

依据空中交通管理与航班运行规则,采用复杂网络理论构建由机场、航路与管制扇区组成的相依网络模型,建立不同扰动策略的影响规则,提出以网络流量熵和交通流损失比变化率为指标识别网络功能脆弱性。并以网络总流量熵最小为目标,建立基于改进遗传算法的网络流量协调分配策略,以降低空中交通相依网络的脆弱性。以民航华北地区空域为原型,发现了其相依网络脆弱性表现规律和脆弱源,采用遗传算法求解网络流量分配方案,优化结果降低了网络总熵值和功能脆弱性,其中机场网络流量分配后效果最为显著,验证了方法的有效性,研究结果可为空中流量管理决策提供一定的理论支撑。     

基于非接触式测量的旋转叶片动应变重构方法

基于叶端定时非接触式测量和振动响应传递比的概念,开展高速旋转叶片动应变重构方法的研究。在频域内推导了叶片任意测点位移与任意测点动应变的传递比,给出了单模态共振下响应传递比关于位移和应变模态振型的解析表达式;建立旋转叶片的三维(3D)有限元模型,开展考虑旋转预应力效应的叶片模态分析,提取位移和应变模态振型,获得任意转速下叶端位移与叶根关键点动应变的传递比。开展高速旋转叶片叶端定时非接触式测量实验,采用周向傅里叶算法对叶端定时信号进行处理,获得叶片在不同转速单模态共振下的叶端位移,结合响应传递比,重构5个旋转叶片的关键点动应变。结果表明:旋转叶片在9000r/min和13000r/min转速下发生1阶共振时,与应变片实测结果相比,叶根处应力最大点、次大点和边缘点3个关键点的动应变平均重构误差均小于15%,验证了旋转叶片动应变重构方法的有效性。     

基于稀土Dy离子荧光强度比的温度测试技术

大面积表面温度测量技术在风洞测温领域中具有重要意义。为满足更高表面温度的测量需求,亟待开展新型测温技术及温度传感材料的研发。基于稀土离子的热耦合能级荧光强度比进行温度测量是一种新型测温技术。本文合成了一种温敏发光材料(YAG:Dy),研究了50～1 000℃范围内稀土Dy³⁺离子的一对热耦合能级(⁴F_9/2→⁶H_15/2,⁴I_15/2→⁶H_15/2)的跃迁发光强度比与温度的对应关系。基于该材料,本文开展了荧光强度比测温与红外测温仪测温的对比实验,实验结果表明：两者的测量结果有很高的吻合度,证明该温敏发光材料(YAG:Dy)可用于50～1 000℃范围内的温度测量。     

基于自适应支配和参考向量的高维多目标优化算法

现有的改进支配方法提高了解集逼近Pareto前沿的能力,但平衡种群收敛性和多样性的能力仍然不足。针对此问题,提出了一种基于自适应支配和参考向量的高维多目标优化算法(An adaptive dominance and reference vector based evolutionary algorithm for many-objective optimization,ADRVEA)。首先提出自适应支配(Adaptive dominance,AD)来设计小生境机制;然后通过参考向量划分目标空间来提高种群多样性;最后构建适应度表达式来实现精英选择。实验证明所提出的ADRVEA不仅性能良好,而且有效平衡了种群的收敛性和多样性。     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。