舰载雷伞系统落点误差修正方法

为了修正舰船运动和海风引起的落点误差,首先建立了雷伞系统各阶段动力学模型并进行了编程计算,通过与试验结果的对比验证了动力学模型的准确性。之后,将发射方向和分离时间作为控制量,基于泰勒级数理论推导了落点误差与控制量之间的关系,提出了一种新的雷伞系统落点误差的修正方法。通过算例验证,该方法所得到的控制参数能够有效地修正雷伞系统的落点误差。同时,针对典型工况开展了本文方法与改进的多目标粒子群轨迹优化算法的对比研究,发现本文方法比改进的多目标粒子群优化算法拥有更快的收敛速度、更高的收敛精度和更少的计算消耗,可以对由舰船运动和海风引起的雷伞系统落点误差进行实时准确地修正,从而提高舰船发射布雷的精度。     

基于谐波小波变换的雷达辐射源识别

雷达辐射源识别是电子战系统的关键技术之一。分析了放大器的非线性效应,提出用谐波信号幅度之间的约束关系特征进行雷达辐射源识别的方法,针对谐波信号十分微弱的问题,提出采用谐波小波变换对信号进行重构、然后对重构的信号用最小二乘拟合进行幅度估计的方法,提高了幅度估计的精度。最后通过仿真验证了方法的准确性和有效性。     

低重环境下旋转轴对称贮箱内液体晃动研究

针对低重环境下旋转轴对称贮箱自由晃动和受侧向、纵向激励时的箱内液体晃动,用变分原理推导了基于低重环境下静液面形状的液体晃动的积分形式的动力学控制方程,由拉普拉斯方程得到用高斯超几何级数解析表达的速度势和波高,进而得到液体晃动的模态运动方程。分析了球形贮箱和Cassini贮箱内液体自由晃动基频,贮箱受侧向激励时液体晃动波高振幅、晃动对贮箱产生的晃动力和力矩、晃动的等效力学模型,以及贮箱受纵向激励时的晃动波高振幅、可能出现的参激共振问题。     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑,运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论,建立航空发动机性能趋势预测的神经网络模型,同时,针对神经网络的结构设计困难问题,建立了基于遗传算法的结构自适应神经网络预测模型,实现了神经网络结构的优化。最后,利用三组民航飞机发动机的性能数据进行了预测分析,验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

低雷诺数下小型无人机翼型气动特性分析

以小型无人机翼型研究为背景,利用基于线性稳定性理论的eN方法对对小型无人机常用的翼型CLARKY在雷诺数Re=1.0×10~5、5×10~5、1.0×10~6,迎角由-5°~20°时的气动性能进行了计算和对比分析。随着雷诺数的增大,翼型上表面的转捩位置不断向前缘移动,气流分离则由完全分离逐渐转变为层流分离泡结构,使得翼型的最大升力系数和临界迎角增大,阻力减小,最大升阻比显著增大,有利迎角逐渐减小,翼型CLARKY的气动特性逐渐得到改善。     

Optimization design of airfoils under atmospheric icing conditions for UAV

Natural ice accretion on the lifting surface of an aircraft is detrimental to its aerodynamic performance, as it changes the effective streamlined body. The main focus of this work considers the optimization design of airfoils under atmospheric icing conditions for the Unmanned Aerial Vehicle(UAV). The ice formation process is simulated by the Eulerian approach and the three-dimensional Myers model. A three-equation turbulence model is implemented to accurately predict the stall performance of t...     

HPM对伪码脉冲无线电引信的压制干扰效应仿真

为了对高功率微波作用于伪码脉冲无线电引信的干扰效果进行分析,建立了引信信号处理模型并进行了计算机仿真。仿真结果表明,在频率对准的情况下,当 HPM进入引信距离门对回波信号造成压制时,由于 HPM的信号频带较宽,覆盖了多普勒滤波器带宽,多普勒滤波器的输出信号幅度仍可达到启动门限电平,压制干扰无效。     

基于永久散射体合成孔径雷达干涉测量技术的地面沉降监测

城市施工建设及地下水开采活动日益频繁，导致城市地面沉降问题日益严重。虽然传统地面沉降监测技术的精度较高，但成本也高。近年来，星载合成孔径雷达干涉测量(InSAR)技术发展起来，已被用于监测大范围地表形变，具有低成本、大面积、高精度等特点。首次采用永久散射体合成孔径雷达干涉测量(PSInSAR)技术，监测上海西南某区域2017—2021年间的地面沉降。结果显示:除一处楼房外，该区域大部分地区未发生沉降，最大沉降速率约-7.10 mm/a，最大沉降量约25.43 mm。采用该技术监测沉降，一方面节省了大量的人力和物力;另一方面，本研究成果对城市地表沉降的科学防治具有重要的参考意义。     

An improved cyclic multi model-eXtreme gradient boosting (CMM-XGBoost) forecasting algorithm on the GNSS vertical time series

The study of GNSS vertical coordinate time series forecasting is helpful for monitoring the crustal plate movement, dam or bridge deformation monitoring, and global or regional coordinate system maintenance. The eXtreme Gradient Boosting (XGBoost) algorithm is a machine learning algorithm that can evaluate features, and it has a great potential and stability for long-span time series forecasting. This study proposes a multi-model combined forecasting method based on the XGBoost algorithm. The method constitutes a new time series as features through the fitting and forecasting results of the forecasting model. The XGBoost model is then used for forecasting. In addition, this method can obtain higher precision forecasting results through circulation. To verify the performance of the forecasting method, 1095 epochs of data in the Up coordinate of 16 GNSS stations are selected for the forecasting test. Compared with the CNN-LSTM model, the experimental results of our forecasting method show that the mean absolute error (MAE) values are reduced by 30.23 %～52.50 % and the root mean square error (RMSE) values are reduced by 31.92 %～54.33 %. The forecasting results have higher accuracy and are highly correlated to the original time series, which can better forecast the vertical movement of the GNSS stations. Therefore, the forecasting method can be applied to the up component of the GNSS coordinate time series.     

基于小波神经网络的PIM功率时间序列预测

无源互调（passive intermodulation，PIM）是影响通信系统性能的关键因素之一。研究表明，PIM信号并非一个定值，而是随时间变化的非平稳信号。基于PIM功率信号的时间序列特性，文章提出基于小波神经网络的PIM功率时间序列预测方法。首先，详细介绍小波神经网络预测模型及其预测方法；其次，以同轴连接器为验证对象，通过PIM实验测试系统获得3阶PIM功率的时间序列；最后，依据获得的PIM功率时间序列，结合构建的小波神经网络预测模型对后续的时间序列进行预测分析，并将预测结果与实验结果进行比较，从而验证小波神经网络在预测PIM功率时间序列方面的有效性。该研究对于开展PIM抑制技术具有一定的参考价值。