月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式，样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程，分析了铲挖过程中臂载相机图像的特点，模仿有人参与识别过程，提出了层次解耦的月球样品智能识别流程，利用深度学习方法构建了一类深度卷积识别网络，完整地描述了图像、特征、标记在网络中的正反传递关系，并在月球表层采样地面试验中进行了验证，结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品，具有较好的泛化识别能力，误识别率优于8.1%，平均单幅识别时间约0.7 s。     

Application of a PCA-DBN-based surrogate model to robust aerodynamic design optimization

An efficient method employing a Principal Component Analysis (PCA)-Deep Belief Network (DBN)-based surrogate model is developed for robust aerodynamic design optimization in this study. In order to reduce the number of design variables for aerodynamic optimizations, the PCA technique is implemented to the geometric parameters obtained by parameterization method. For the purpose of predicting aerodynamic parameters, the DBN model is established with the reduced design variables as input and the aerodynamic parameters as output, and it is trained using the k-step contrastive divergence algorithm. The established PCA-DBN-based surrogate model is validated through predicting lift-to-drag ratios of a set of airfoils, and the results indicate that the PCA-DBN-based surrogate model is reliable and obtains more accurate predictions than three other surrogate models. Then the efficient optimization method is established by embedding the PCA-DBN-based surrogate model into an improved Particle Swarm Optimization (PSO) framework, and applied to the robust aerodynamic design optimizations of Natural Laminar Flow (NLF) airfoil and transonic wing. The optimization results indicate that the PCA-DBN-based surrogate model works very well as a prediction model in the robust optimization processes of both NLF airfoil and transonic wing. By employing the PCA-DBN-based surrogate model, the developed efficient method improves the optimization efficiency obviously.     

基于多可信度代理模型的尾喷管优化设计

尾喷管是飞行器机体/推进一体化设计中的关键部件之一,直接影响着飞行器的推阻匹配、俯仰力矩配平等特性。为了提高尾喷管优化设计效率,建立基于多可信度代理模型的多目标优化模型。以基于粗网格、无黏模型的CFD 结果作为低可信度数据,以基于细密网格、SST k-ω 湍流模型的CFD 结果作为高可信度数据,将最大化推力系数、升力系数和俯仰力矩系数作为优化目标,构建Cokriging 模型,并结合NSGA-Ⅱ算法得到Pareto 解集。结果表明：以上三个目标分别提升了2.94%、13.0% 和40.6%,误差低于0.5%,并进行了敏感性分析;优化后流场波系结构更为复杂,改变了壁面压强分布规律;与Kriging 模型相比,Cokriging 模型具有相当的预测性能,构建时间成本节省了62%。     

一种基于语义信息辅助的无人机视觉/惯性融合定位方法CSCD

视觉传感器在无人机室内定位中发挥着重要作用。传统基于特征点的视觉里程计算法通过底层亮度关系进行描述匹配,抗干扰能力不足,会出现匹配错误甚至失败的情况,导航系统的精度及鲁棒性有待提升。由于室内环境存在丰富的语义信息,提出了一种基于语义信息辅助的无人机视觉/惯性融合定位方法。首先,将室内语义信息进行因子建模,并与传统的视觉里程计方法进行融合;然后,基于惯性预积分方法,在因子图优化中添加惯性约束,以进一步提高无人机在动态复杂环境下的定位精度和鲁棒性;最后,通过无人机室内飞行试验对算法的定位精度进行了分析。试验结果表明,相较于传统的视觉里程计算法,该方法具有更高的精度和鲁棒性。     

一种基于随机优化算法的民用飞机突风动载荷重建方法

民用飞机突风载荷的准确重建对于飞行安全具有十分重要的意义。基于随机优化算法,提出一种突风动载荷重建方法。首先,基于频域气弹耦合方程,建立一个突风动载荷时域分析模型,其次,引入Hicks-Henne 型函数进行突风速度场的参数化建模,在此基础上,基于随机优化算法对各型函数参数进行迭代寻优,使得优化目标值与测量值一致,最终得到重建后的突风速度及对应的动态响应及载荷。最后,以GTA 模型经历1-cos 形状突风为例进行数值仿真。结果表明：本文提出的突风动载荷重建方法可有效实现突风速度场的识别,进而完成突风动载荷的重建;针对本文算例,过载最大误差为3.5%,载荷最大误差不超过1%。     

基于 Kriging与多点取样算法的压气机特性建模

针对航空燃气轮机流量系数插值建模过程中,获取样本数据时的实验成本较高以及插值模型精度偏低这 2个问题,根据样本点在设计空间中的分布与模型精度的关系,在 Kriging插值模型的基础上,采用把垂距作为设计变量取值标准的取样算法。首先,将样本点与相邻 2点之间连线的垂距与垂距阈值进行比较,筛选出符合条件的数据点,形成候选点集;其次,选用高斯函数判定基础点集和候选点集的相关性;最后,使用该算法筛选后的样本点构建 Kriging插值模型。实验结果表明,该方法使用的样本点为原来数量的 70%左右,并且预测精度得到了提高,该方法是有效可行的。     

低空无人机路径规划算法综述

随着无人机技术的发展,无人机在低空的应用场景越来越多,复杂的低空环境对无人机路径规划算法提出了新的要求。本文总结了近年来常用的无人机路径规划算法,包括图搜索算法,线性规划算法,智能优化算法（遗传算法、粒子群算法、蚁群算法）,强化学习算法;对这些算法的原理、适用场景及其优缺点进行了归纳分析;并基于无人机发展现状对无人机路径规划算法进行了展望。     

发动机故障诊断的变记忆约束滤波算法

为提高故障诊断可靠性,给出了3种利用多次测量信息减少测量误差影响的方法,即变记忆约束滤波算法、分段算术平均预平滑算法以及指数顶平滑算法。其中,变记忆约束滤波算法能够有效地避免由于故障方程多重共线性所引起的病态解。证明了多故障诊断问题中滤波算法与分段算术平均算法的等价性,证明了在衰减滤波的条件下（第一变记忆因子小于1）,随测量点数的增加,变记忆滤波算法的第一变记忆因子与指数平滑的平滑系数之和趋近于1。利用计算机仿真方法对于所得结论进行了检验。     

遗传算法在机翼气动优化设计中的应用

把最优化方法与机翼的气动力求解相结合,进行跨音速机翼的气动优化设计。采用最优化方法为遗传算法,机翼的气动力由三维欧拉方程的数值解来提供。与基准机翼相比较,优化设计的机翼其气动性能有较大幅度的提高,表明遗传算法在机翼优化设计中的可行性和有效性     

智能结构动力系统控制器设计和结构优化的综合分析

通过由两个压电作动器控制的空间桁架,将最优控制问题和结构中杆件截面积动态优化相结合,综合分析了二者的混合优化问题.计算结果表明,在结构动态响应特性不变的条件下,结构重量和控制需求均有显著下降.