逆压力梯度下的自由流湍流度对湍流边界层特性的影响

本文对有逆压力梯度下的自由流湍流度对湍流边界层特性的影响做了较为仔细的测量,做了边界层内平均速度分布、壁面摩擦系数、压力梯度、边界层内三个方向脉动速度以及脉动总压的测量。试验结果指出:自由流湍流度的增加可大大削弱逆压力梯度对湍流边界层的不利影响,可使边界层速度分布饱满,尾迹强度减弱,从而延迟边界层分离。试验还首次得出自由流湍流度的增加可使边界层内的速度脉动和压力脉动分布均匀以及流动趋于稳定,因而可同时改善扩压器出口的静、动态特性。     

现代小卫星的重力梯度姿态稳定系统

本文首先论述现代小卫星重力梯度稳定系统组成，其次建立数学模型，最后进行计算机仿真，研究初始姿态角速度、惯量比、飞轮角动量和伸杆时间等因素对姿态动态特性的影响。     

第二边界条件下梯度功能材料一维温度场的数值模拟

采用数值模拟的方法，对梯度功能材料在第二边界条件下温度场进行了分析，并根据所建立的数值方法对新研制的C／C／Al2O3炭陶梯度功能材料和C／C材料进行了比较，对具有不同组分分布曲线的梯度功能材料进行了比较。结果表明，C／C／Al2O3炭陶梯度功能材料的绝热性能优于C／C材料，可通过改变C／C／Al2O3炭陶梯度功能材料的组分分布，优化其内部的温度场分布。     

一种基于UPF的月球车自主天文导航方法

介绍了月球车自主天文导航原理和传统的迭代解析高度差方法，提出了一种基于月球车运动模型和UPF（Unscented粒子滤波）的自主天文导航新方法。该方法仅需利用由星敏感器和惯性测量单元测量得到的恒星的天体高度，结合月球车的运动模型，通过UPF滤波，即可获得高精度的月球车实时位置信息。计算机仿真结果表明该方法与传统方法相比，定位精度有了大幅提高，同时对几个关键的精度影响因素的仿真分析显示该方法可以有效的减弱量测噪声，星历误差等对系统性能的影响，使系统具有更高的适应能力。     

应用知识蒸馏的深度神经网络波束形成算法

自适应波束形成技术广泛应用于雷达领域的旁瓣抗干扰中。当回波数据量增多时,传统的波束形成算法无法进行快速处理,而应用深度神经网络模型通过数据的预训练则可以快速地进行波束形成,因此根据波束形成原理设计深度神经网络,并利用知识蒸馏的方式对深度神经网络进行压缩,使压缩后的模型既有原始模型良好的泛化性能而且又有更快的计算速度。仿真结果表明,相比于传统的LMS算法,在实验环境下,未经模型压缩的深度神经网络自适应波束形成算法的计算速度提高了约7倍,基于模型压缩的深度神经网络自适应波束形成算法的计算速度提高了约20倍。     

基于多智能体强化学习的轨道追逃博弈方法

针对空间轨道博弈过程中的集群卫星和非合作目标追逃博弈情形下的动力学模型复杂、非合作目标机动信息未知,以及卫星间难以有效协调等问题,提出一种基于多智能体深度强化学习算法的集群卫星空间轨道追逃博弈方法.首先通过对博弈场景进行建模,在考虑最短时间、最优燃料以及碰撞规避的情形下进行奖励函数的塑造和改进,利用深度强化学习方法中的...     

RSS飞机深失速走廊特性分析

以放宽静稳定性战斗机Ｆ－１６为例,讨论了深失速走廊特性,利用具有非线性气动力的简化运动方程,分析了飞机深失速特性;应用反应积分技术确定出了深失速走廊－深失速平稳点的收敛区域。     

基于全张量磁场梯度的磁偶极子定位及误差分析

为了对磁偶极子进行高精度的磁性定位,文章从磁偶极子模型出发,推导出磁偶极子的空间坐标与其产生的磁场及磁场梯度之间的关系式;针对模型及关系式,设计了一种全张量磁场梯度传感器,能够一次测量出精确定位所需的9个磁场梯度值和3个磁场强度值;对比仿真结果和实验结果,发现二者具有较好的一致性,证明了该理论模型的有效性。对于磁偶极子,用半径为0.05 m的梯度传感器对磁矩为2 A·m~2的磁偶极子进行定位测量,在0.5~1 m距离内定位误差不大于10%。文章还对定位测量误差的原因进行了分析,包括梯度测量基线距离及传感器半径对定位误差的影响。     

基于磁场梯度张量的航天器内部多磁场源探测技术

基于磁场梯度张量的探测技术具有高分辨率、高精度等优点,是航天器多磁源分辨的有效方法。文章建立了航天器磁场源模型,提出了航天器多磁场源模型拟合方法,利用磁场梯度张量的主不变量的极值确定磁场源个数和水平位置,然后联合欧拉方程计算磁场源深度,完成航天器内部多磁场源仿真与计算,分辨率最高可达0.012 m,满足工程需求。该研究开辟了航天器内部多磁场源目标探测的新途径。     

PTNet：一种面向加密流量分类的半监督并行Transformer网络

随着网络加密协议的广泛使用,传统的网络流量分类技术面临很大的挑战。目前的方法具有以下局限性：一是模型高度依赖深度特征,这要求有标注训练数据集的规模足够大,否则模型难以在新的数据上进行泛化;二是模型仅专注于流量的一个模态特征,不同类别流量的同一模态的特征区分度可能不够明显。针对这些问题,本文提出了一种基于深度学习的加密流量分类模型Parallel Transformer Net（并行转换网络,PTNet）。该模型基于预训练-微调的半监督思想,充分利用网络中大量无标签流量数据进行预训练,然后在少量有标签数据的基础上进行微调。此外,该模型并行提取了载荷和包长序列两个模态的流量特征,进行多模态的特征融合,并在三种不同的流量分类任务与相应的数据集（Android、USTC-TFC和CSTNET-TLS1.3,均为公开的数据集）上都表现出很好的效果,分类准确率分别达到95%、98%和97%。