激光雷达观测的武汉上空对流边界层高度与夹卷层厚度

基于地基偏振激光雷达2011年1月至2017年12月对武汉中心城区的观测资料，研究了超大城市对流边界层高度与夹卷层厚度的变化特征.采用Fernald方法进行数据反演获得了1min时间分辨率、30m空间分辨率的后散比剖面，通过方差法确定了对流边界层高度和夹卷层厚度.结果表明，武汉上空对流边界层高度和夹卷层厚度具有明显的季节变化特征.对流边界层顶的均值最大处在春季为1.14km，夏季为1.25km，秋季为1.06km，冬季为0.74km；夹卷层厚度均值最大处在春季为0.40km，夏季为0.51km，秋季为0.34km，冬季为0.26km.这些特征与武汉地区地表温度的周年变化特征具有很强的相关性.      

不确定度评定的一种方法——最大方差法

研究了不确定度评定的新方法－最大方差法，分析了它的原理，列出了最大方差法用表，举例说明了它的应用。     

总体均值估计量最小方差的改进

在简单随机抽样中,样本均值是总体均值的无偏估计.其他复杂的抽样方法常以简单随机抽样为基础,对于相同的样本容量条件下不同的抽样方法来说,总体均值估计量的方差就成为衡量各种抽样方法的有效程度的重要标志.对文[1]中给出的求有限总体均值估计量最小方差的几种方法进行了讨论,并对其求解方法进行了改进.     

轨道机动过程中推力加速度的在线最小方差估计

定位和跟踪空间机动目标时，对目标运动建模受发动机推力的不确定性影响，通过统计处理离散的雷达观测数据实时估计发动机的推力，进而定位和跟踪机动目标便是本文所要研究和解决的问题，本文在地心惯性系建立了常推力轨道机动过程中连续变质量运动模型和离散雷达量测模型，机动过程中质量秒耗量和排气速度作为表征轨控发动机推力的两个近似常量，应用扩展卡尔曼滤波对离散雷达测量数据进行序贯统计处理得到发动机推力的最小方差估计；文中详细地给出了线性化量测模型的变分方程和观测矩阵；仿真结果表明该算法能快速、准确地在线估计轨控发动机的等效推力。     

利用调制域分析仪实现频率稳定性的测量

介绍了时域频率稳定性常用的测量方法 ,并重点介绍了利用调制域分析仪实现时域频率稳定性的测量方法。这种测量方法可以实现时域频率稳定性的无间隔测量 ,消除了原有测量系统 (HP5 390A频稳分析仪 )中由于有间隔取样而对测量结果造成的影响     

确定时间序列协方差函数的方法

提出一种确定时间序列协方差函数的方法,它首先根据(多元)时间序列构造其互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列,然后采用谱分析和多点平均方法对互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列的趋势项进行分离,分别求得其周期项和非周期项的函数表达式,再综合给出整个趋势项函数。从而得到原时间序列的互协方差函数、互相关函数或自协方差函数、自相关函数的函数形式,并通过最小二乘方法确定其中的待定参数。该方法可用于时间序列协方差函数的建模、分析和预测,并且计算简单易行、精度高,便于实际应用。      

液氧/甲烷火箭发动机性能敏感性分析

为了弥补极差分析法在发动机性能敏感性分析方面的不足,提高低温火箭发动机性能敏感性分析的准确度,引入了方差分析法,以某型液氧/甲烷发动机为例开展了性能敏感性分析,并通过F检验得到了每个干扰因素对发动机性能影响的显著性指标,与传统的极差分析法相比,提高了液体火箭发动机性能敏感性分析的准确度。结果表明:发动机推力和混合比对同一因素的敏感性存在差别,其中对发动机推力和混合比的影响最大的是涡轮泵效率,均呈现高度显著;紧随其后,对推力影响显著性最高的是副系统流阻特性,而对混合比影响最高的则是主系统流阻特性。研究表明,方差分析法可以有效提高敏感性分析的准确度,既为该型发动机的研制提供了理论支持,也为其他发动机的敏感性分析提供了新的参考。     

面向高超声速飞行器双重不确定性的自适应状态估计

将高超声速飞行器双重不确定性因素建模为未知干扰输入项，针对状态演化方程和量测方程含有不同未知干扰输入的高超声速飞行器控制系统状态估计问题开展研究，提出一种基于自适应方差极小化的递推状态估计器(Adaptive variance minimization based Recursive Estimator, AVMRE)。首先建立了状态估计递推滤波器模型，实现滤波误差中的量测未知干扰解耦，之后引入自适应调整因子刻画状态未知干扰并推导了最小上界估计误差协方差矩阵，最后，基于最小方差估计准则设计了滤波器中的量测增益反馈矩阵。以外部突风和传感器故障为例，受内外部双重不确定性因素影响下的高超声速飞行器仿真实验验证了本文算法的有效性，与相关算法的仿真对比反映了本文算法的优越性。     

确定时间序列均值和方差函数的移动多点平均方法

为了提高有限样本或小样本情况下时间序列均值和方差函数的确定精度,以保证时序建模、分析和预测精度,提出一种确定序列趋势项的移动多点平均方法.该方法能够得到时间序列均值中非周期部分,结合样本周期图法得到的周期项,可综合得到其均值函数,并可进一步得到时序的标准差函数.Monte Carlo模拟对比结果表明:该方法不仅能够保证时间序列段内分析精度,而且能够有效提高时间序列的预报精度.