利用试验设计法建立翼型气动特性的人工神经网络模型

建立了翼型气动特性预测的BP(Back Propagation)神经网络模型,重点研究了3种选取训练样本的试验设计(DOE)法:完全析因法、正交设计法和均匀设计法,对BP神经网络预测精度的影响,利用所建立的BP神经网络对FX63-137翼型几何型线进行了优化设计。研究结果表明:在因素数和水平数较少时,完全析因法、正交设计法及均匀设计法的平均测试误差分别为0.002%、0.029%、0.023%;在因素和水平数较多时,完全析因法的样本规模太大而不再适合,正交设计法和均匀设计法的平均测试误差分别为0.42%和0.15%,均匀设计法的预测精度更高,更适合于翼型气动特性预测的人工神经网络模型。优化后翼型的升阻比在迎角为0°~18°范围内均高于原始翼型,在迎角为1°、4°和15°时升阻比分别提高了4.38%、1.38%和5.51%。该研究方法及成果可以应用于翼型的多参数优化设计。     

流场特性预测的两类高效方法

在多因素多水平试验设计方法建立数据库的基础上,提出了预测流场特性的两类高效方法:一类是响应面方法;一类是小波神经网络方法.典型算例表明,两类方法都可以高效率的获取流场特性参数,而且在预测的精度与计算的效率上,小波神经网络方法较响应面方法更具有优势.      

Predicting the probability of occurrence of spread-F over Brazil using neural networks

The probability of occurrence of spread-F can be modeled and predicted using neural networks (NNs). This paper presents a feasibility study into the development of a NN based model for the prediction of the probability of occurrence of spread-F over selected equatorial stations within the Brazilian sector. The input space included the day number (seasonal variation), hour (diurnal variation), sunspot number (measure of the solar activity), magnetic index (measure of the magnetic activity) and magnetic position. Twelve years of spread-F data from Brazil (covering the period 1978–1989) measured at the equatorial site Fortaleza (3.9°S, 38.45°W) and low latitude site Cachoeira Paulista (22.6°S, 45.0°W) are used in the development of an input space and NN architecture for the model. Spread-F data that is believed to be related to plasma bubble developments (range spread-F) was used in the development of the model. The model results show the probability of spread-F occurrence as a function of local time, season and latitude. Results from the Brazilian Sector NN (BSNN) based model are presented in this paper, as well as a comparative analysis with a Brazilian model developed for the same purpose.     

无线传感网的分布式非测距三维定位算法

为解决三维空间无线传感器网络节点定位问题,基于区域立体网格化表示的思想,提出一种分布式非测距三维定位算法3D-DRL(three-Dimensional Distributed Range-free Localization).通过对立体网格投票,选取得票值最高的所有网格的质心作为未知节点的估计位置.3D-DRL无需未知节点间相互通信,具有较小的通信开销,不依赖于锚节点比例,且对网络拓扑结构具有鲁棒性.仿真结果表明,在无线传播环境理想、未知节点通信半径R=50 m、所有节点均随机部署在100 m×100 m×100 m三维区域的情况下,定位误差小于未知节点通信半径的8%,且通过调整VANR,能够实现所有节点的定位.     

无线传感器网络中的跨层路由协议

为了减少无线传感器网络中的干扰产生,降低由此引起多次重传后的分组丢弃从而导致的额外重传时延和能量消耗,改善网络的传输效率和能量效率,提出了一种基于跨层设计的干扰感知路由(IAR,Interference-Aware Routing)协议.与现有的基于竞争的路由协议不同,IAR协议引入节点干扰度和能量度作为选路代价,通过干扰和能量感知的路由选择机制实现路由建立.利用节点收到的发送请求、清除发送和应答分组的计数作为干扰度的计算依据,从而在路由选择中避开了干扰易发生区域;利用下一跳候选节点的初始和剩余能量作为能量度的计算依据,从而均衡了各节点的能量消耗,延长了整个网络的寿命.仿真结果表明,与动态码字路由和ad-hoc按需距离矢量路由协议相比,IAR协议提高了能量效率、改善了网络的吞吐量、分组投递率和时延等性能.     

航空铝合金针孔缺陷自动分级的图像处理方法

针对目前航空铝合金铸件针孔缺陷人工分级的缺点,用X射线照相获取的图像,采用一种计算机图像处理和模式识别的方法进行针孔缺陷自动分级,并主要对图像处理的算法进行了研究.根据针孔缺陷图像的灰度分布特点,采用小波分析的方法滤除低频干扰信息,保留针孔的高频信息,再经过区域分割提取针孔区域,进而提取单个针孔的尺寸特征,然后进行宏观统计和分析,通过对1~8级标准图片的统计特征进行神经网络的训练,实现了针孔的自动分级.实验结果表明,这种图像处理方法有较好的适应性.      

基于神经网络液体横向晃动时罐体受力的预测

用Fluent软件,VOF(Volume of Fluid)模型,对基准罐体在不同充液比下受到横向加速度时的受力进行数值模拟;以充液比、前两时刻基准罐体受力、加速度及将要经历的加速度作为输入,以下一时刻受力作为目标输出,选用合理的计算结果作为训练样本,建立基于BP神经网络液体横向晃动时基准罐体受力的预测模型,用158个样本对完成训练的网络进行可靠性验证,横向力、垂向力和侧倾力矩最大预测误差分别为8.88%,0.36%,1.38%,符合精度要求.基准罐体的时间步长和受力进行修正后,与一般圆柱及椭圆形罐体受力的大小和规律基本一致;对于作横向运动的柱形罐体,受力大小与罐体长度成正比.通过修正基准罐体的时间步长和受力,对一般圆柱及椭圆形罐体的受力也可实现BP神经网络的预测,为罐车动力学分析快速有效地提供所需数据.      

神经网络在无人机电控活塞发动机试验中应用

分析了无人机用电控活塞发动机试验特点以及试验中存在的难点,针对电控发动机高海拔标定试验中进气歧管压力(manifold air pressure,简称MAP)传感器数据的传统线性插值方法不能完全表述电控发动机非线性特性的缺陷,提出采用BP(back propagation)神经网络模型的解决方案.为避免目前应用神经网络方法中所存在的不足,通过采用原始数据分组方法进行网络训练误差的实时反馈和控制,较好地解决了神经网络训练过程中容易陷入"局部最优"和"过拟合"状态,并对BP神经网络预测结果给予了详细研究,训练误差和预测误差分析结果表明了该方法的可行性和计算结果的可信性.      

航空电子高速交换式网络的服务质量保证方法

以保证航空电子高速交换式网络的实时性和高带宽为目的,提出光纤通道(FC,Fibre Channel)通信协议承载于波分复用(WDM,Wavelength Division Multiplexing)传输机制之上的架构.采用适用于实时交换的周期性数据流模型,提出了基于负载匹配的输出轮询(LOR,Load-matching Output Round)调度算法.该算法仅使用一次仲裁即可达到输入/输出的最大匹配(100%).给出LOR算法的核心代码,时间复杂度仅为O(1),易于在硬件中实现.最后通过将LOR算法嵌入到网络处理器中,注入时间敏感的负载流量,以服务质量特性(延迟、吞吐和超时消息数)为性能衡量指标进行实验,结果表明LOR算法在轻负载(30%)下,服务质量特性与经典算法(iSLIP, DRR, EDRR)基本持平;在重负载(70%)下,仅LOR算法能满足延迟的实时性要求,且LOR吞吐率高于经典算法近10个百分点,超时消息数比经典算法少了100个以上.      

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。