跨声速层流翼型的混合反设计/优化设计方法

跨声速层流翼型设计须兼顾优良的超临界特性和自然层流特性,因而对设计方法提出了更高的要求。针对现有反设计方法和直接优化设计方法的不足,发展了一种适用于跨声速层流翼型的混合反设计/优化设计方法。该方法引入了基于经验的局部流场特征作为反设计目标,翼型性能指标作为直接优化设计目标,然后加权形成了混合反设计/优化设计总目标,并同时考虑了气动和几何约束。优化算法采用基于自适应并行加点技术的代理优化,流动数值模拟采用耦合基于线性稳定性理论的e^N转捩自动判定的雷诺平均Navier-Stokes（RANS）方程求解器。针对现代中短程民用客机需求,以NPU-LSC-72613翼型为基准,开展了层流翼型减阻的混合反设计/优化设计。分别将局部目标压力分布、总阻力作为反设计和直接优化设计目标,得到了较好的优化结果,验证了方法的有效性。经过2轮优化结果显示混合反设计/优化设计总目标显著下降。所设计翼型吸力面局部压力分布与目标压力分布基本一致,总阻力下降15.5%;吸力面和压力面层流范围均大于55%倍弦长,激波强度显著减弱,说明所设计翼型同时具有优良的超临界和层流特性。将所设计翼型配置到机翼上,通过三维数值模拟进行校验,结果显示所设计跨声速层流机翼升阻比提高了6.64%,在一定升力系数范围内,气动性能均有显著提高,验证了所设计跨声速层流翼型在机翼设计中的适用性。     

针对星载 SA R的散射式干扰应用研究

针对星载SAR的特点,简述了散射波干扰的干扰原理,并针对其工程实现中的几个关键问题进行了分析。最后针对典型星载SAR进行了干扰验证试验,给出了试验结果,证明了该样式的有效性。     

Modeling and experiment of grinding wheel axial profiles based on gear hobs

Hobbing is one of the crucial gear manufacturing processes with high precision and high efficiency. In order to improve the accuracy of hobbing and hob relief grinding, more precise grinding wheels are demanded for relief grinding in the production of gear hobs. In this paper, a new and accurate mathematical method for calculating the axial profile of grinding wheel based on the corresponding gear hob to be ground is proposed. Considering that most researches have been conducted to focus on the optimization of hob geometric feature and only can be applied to a specific type of hand of helix and rake angle of gear hobs. The method in this paper can be served as a general algorithm for generating axial profile of grinding wheels on the basis of the spatial envelope theory, the principle of coordinate system transformation, and studies on normal profile of single-tooth. The accuracy of grinding hobs is based on applying the approach in practical manufacturing. Taking two typical different kinds of pre-grinding gear hobs as examples for calculation and experiment, the results of tooth profile errors strengthen the position that the validity and feasibility of this method, it can be employed for gear hob design and grinding processing.     

空中交通拥挤的识别与预测方法研究

随着航空运输业的迅猛发展,空中交通拥挤现象日益严重,空中交通拥挤研究已经成为国际民航界的一个研究热点。其中,空中交通拥挤的识别与预测是空中交通拥挤研究的主要内容之一,在此基础上综述了国内外有关空中交通拥挤识别与预测方法的研究状况。首先概述了基于不同拥挤形成因素和拥挤后果的空中交通拥挤概念的研究状况;接着依据所用交通数据时间尺度的不同,分别针对基于短期数据的阈值判别方法、基于长期数据的聚类识别方法以及基于混合数据的综合评价方法综述了空中交通拥挤的主要识别方法;然后分别基于数理算法(统计算法、交通流模型算法和智能算法)和计算机仿真模拟技术综述了空中交通拥挤的主要预测方法;最后指出了空中交通拥挤识别与预测问题的近年研究热点和未来的研究方向。     

一种融合MRF分割与数学形态学的道路提取算法

针对高分辨率合成孔径雷达（Synthetic Aperture Radar, SAR）图像中道路目标难以有效提取的问题,提出一种融合马尔可夫随机场（Markov Random Field, MRF）分割与数学形态学处理的高分辨率SAR图像道路提取算法。该算法首先利用直方图均衡化和增强Lee滤波对SAR图像进行预处理,实现道路的边缘增强,抑制相干斑噪声;进而利用基于条件迭代模式（Iterated Conditional Mode, ICM）的MRF对SAR图像中的道路目标进行初分割;再用数学形态学填充空洞,平滑道路边缘;最后,基于道路的几何特征,使用偏心率、矩阵度、复杂度等因子去除虚警,从而提取出道路目标。利用该文算法对两块实际高分辨率SAR图像进行道路目标提取,均可以取得90%以上的正确道路提取率,表明本文算法具有较高的道路提取精度。     

基于眼动数据的网络搜索行为预测方法

预测用户的网络搜索行为对改进搜索引擎和提升用户体验十分重要.现有大多数方法是基于用户的交互数据,如查询、点击和鼠标移动等.提出一种基于眼动数据的用户网络搜索行为预测方法.通过眼动实验,采集用户在网络搜索任务时的眼睛运动数据,将这些数据转化成两种数据格式:直方图和序列.直方图数据描述用户注意力的分布情况,序列数据呈现用户的扫视路径.使用4种学习算法对用户决策或用户意图进行预测,同时研究两种数据格式的性能.结果显示,两种数据格式均适合于预测用户决策,而序列数据更适合于预测用户意图.该结果表明,利用眼动数据能够有效预测网络搜索行为.      

基于Deform软件二次开发和BP神经网络的TA15多向锻造微观组织预报

通过热压缩实验构建了TA15合金的热变形真应力-应变曲线,以此为基础分别建立了合金双相区及单相区温度区间的热变形本构方程;基于热压缩试样动态再结晶的统计数据建立了TA15合金的动态再结晶模型。借助Deform提供的二次开发功能实现相关数学模型的程序化,制定正交实验方案,实现了TA15合金多向锻造变形的微观组织仿真。通过正交实验分析得出各项因子的影响对象及强弱差异,提出了双相区及单相区温度区间内的多向锻造最佳因子组合。建立了TA15合金多向锻造变形微观组织的BP （Back Propagation）神经网络预测模型,将预测结果与有限元仿真结果进行比较,结果表明两种方法的预测结果基本一致,但神经网络具备有限元仿真难以实现的良好细节预测能力,能更为细致地实现对微观组织分布状态的划分。     

一种新型的基于预测的卫星资源分配方法

针对传统的按需分配方式所造成的长时延问题,提出了一种新型的基于业务预测的按需分配方法。该方法通过预测业务在等待队列中的长度,将预测信息发送给网络资源控制中心,再由控制中心动态地分配带宽资源,达到服务质量的要求。在阐述了按需分配和业务预测的基本算法后,通过仿真分析了不同的业务类型采用不同的预测信息发送间隔时间的时延性能,分析中考虑了实时业务比非实时业务享有更高的优先权,并且比较了常规按需分配与基于业务预测的按需系统分配方法的时延性能。仿真结果表明利用业务预测,选择合适的预测信息发送间隔时间,能够有效地改善带宽资源分配的时延性能,相比一般的按需分配方式服务质量有了明显的提高。     

基于区域预测和视觉注意计算的快速目标检测

提出了一种结合区域预测与视觉注意模型化计算的快速目标检测方法.通过分析图像近似均匀的3个水平子区域的方向特征图之灰度比率,灰度特征图之信息熵和子区域位置,建立了目标区域预测的判定准则.同时,通过优选特征和优化特征图之权重,改进了视觉注意计算模型.对于一幅待检测图像,根据区域预测的判定准则,实现目标区域的快速预测,并利用改进的视觉注意计算模型对目标区域进行视觉注意计算,实现特定目标的快速精确定位.实验结果表明:针对户外场景中的行人目标,与通过整幅图像的视觉注意计算来实现目标检测的传统方法相比较,该检测方法可使检测时间缩短30%,同时还能使检测准确率提高9%.      

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.