基于纵向过载飞参数据的中断起飞决断速度计算

中断起飞决断速度是起飞安全的关键数据。目前已有的该数据计算方法涉及参数多、误差源多,计算结果的误差较大,影响了起飞的安全性。为解决这一问题,提出了一种基于纵向过载飞参数据的中断起飞决断速度计算方法,并取纵向过载平均值,计算了某机型的中断起飞决断速度。研究表明,该方法综合了各种误差源的影响,仅涉及1个计算参数,误差源少,计算精度较高;也可参考国外的做法,将该方法用于基于纵向过载实测值的机载中断起飞辅助决策系统,以进一步提高飞行员中断起飞决断的可靠性,增加起飞的安全性。     

结构与纯度结合的新型决策树分裂准则

决策树（Desision tree， DT）生长关键步骤的分裂或分叉准则通常根据纯度和误分类误差等实现，分裂生长分为轴平行和非轴平行方式。这些分裂准则一般与数据内在结构（如类别是否是多簇或单簇组成）无关。为了弥补这一缺失，本文提出了两种混合分裂准则，分别用加权和两步法将同类内的节点间距（Between-node margin within the same class，BNM）和同一节点内的类紧性（Within-class compactness and between-class separation in the same inner node，CSN）与纯度度量相结合。由于传统决策树以贪婪方式生长，仅能确定出当前的一个局部最优分裂点，为改善这个缺点，本文首先根据纯度确定出前k个候选分裂点，然后通过最大化BNM和最小化CSN确定最终的分裂点，不仅缓和了纯度上的局部最优性，而且引入了数据结构的全局性，因此能较大程度地改进后代节点的分裂，增强树的泛化性和可解释性。将上述两种分裂准则组合还可以进一步提升性能。在21个标准验证数据集上的比较结果表明：新准则下的决策树不仅提高了预测性能、降低了复杂性，而且相比于其他采用混合分裂准则的DTs更具竞争力。     

拦截大气层内机动目标的深度强化学习制导律

针对大气层内高速机动目标的拦截问题，提出了一种基于双延迟深度确定性策略梯度(TD3)算法的深度强化学习制导律，它直接将交战状态信息映射为拦截弹的指令加速度，是一种端到端、无模型的制导策略。首先，将攻防双方的交战运动学模型描述为适用于深度强化学习算法的马尔科夫决策过程，之后通过合理地设计算法训练所需的交战场景、动作空间、状态空间和网络结构，并引入奖励函数整形和状态随机初始化，构建了完整的深度强化学习制导算法。仿真结果表明：与比例导引和增强比例导引两种方案相比，深度强化学习制导策略在脱靶量更小的同时能够降低对中制导精度的要求；具有良好的鲁棒性和泛化能力，并且计算负担较小,具备在弹载计算机上运行的条件。     

基于 PDPC-EMV模型的装备研制方案优化设计

将全面质量管理的过程决策程序图法(PDPC)与决策分析技术的期望值法(EMV)有机结合,构建了PDPC-EMV理论模型,并将该模型引入到武器装备研制方案的设计环节中,用风险评估的思维解决全面质量管理的问题,为武器装备研制方案的设计工作开辟了一种先期质量控制思路。     

直升机无障碍机场A类性能起飞决断点试飞研究

A 类性能是运输类直升机的典型特征，A 类性能飞行试验是表明符合性的最佳途径。以CAAC 颁布的相关A 类性能适航文件为基础，分析A 类起飞性能产生的背景，研究相关规章条款的要求和符合性方法，探讨极限高度—速度包线、A 类起飞航迹、A 类继续起飞和中断起飞以及最终起飞决断点确认等试飞技术，制定无障碍机场A 类性能起飞决断点试飞风险管控措施。构建的直升机无障碍机场A 类性能起飞决断点试飞方法及试飞风险管控措施，有效地指导完成了AC312E、AC313 等直升机的局方审定飞行试验工作，为其获得CAAC 型号合格证奠定了基础。