歼击机座舱维修工效定量评价技术研究及应用

为提高维修工作效率、减少维修差错、基于"人-机-环"理论,分析维修工效影响因素,引入德尔菲法确定维修工效评价指标体系,提出了基于灰色聚类模型的维修工效评价方法,实现了维修工效定性评价的定量化。结合某型歼击机维修工效核查数据,实例验证了评价指标及方法的有效性。     

一种参量自适应的OPTICS单光子点云去噪算法

星载单光子激光雷达在浅水域测深方面展现出巨大的潜力,但其接收到的点云数据中存在大量噪声,给高程信息的提取带来了困难。目前,基于OPTICS(Ordering Points to Identify the Clustering Structure)的去噪算法因其精度高,在强背景噪声下表现良好,得到了广泛的应用,但此算法在水底附近区域存在去噪效果不佳的现象。为了解决这个问题,文章提出了一种参量自适应的OPTICS单光子点云去噪算法,该算法与现有OPTICS算法固定输入参数的方式不同,是通过场景自适应获取更合适的输入参数来保证水底附近区域光子的分布参数的测量准确性,从而提升水底附近区域的去噪效果。凝聚度结果显示,新算法在水底附近区域的去噪效果较现有OPTICS算法提升了约13.67%,可为之后的水深测量等工作提供更高精度的单光子点云图像。     

模糊聚类法在试验模态参数识别分析中的应用

为了搜索系统的真实极点,将模糊聚类理论引入试验模态参数分析.根据极点之间内在的亲疏关系,将其 合理地聚为若干类,搜索每一类的最佳极点,即系统的真实极点,在稳态图中自动完成真实极点的选择.该方法 能够避免人为因素造成的识别误差,提高识别结果的可信度.在正交多项式曲线拟合和多参考点最小二秉复频 域识别系统中引入该方法,实现了稳态图中极点的自动选择,提供了真实极点选择的一种新思路.通过仿真和实 验证明了模糊聚类法对极点选择的可行性和稳定性.     

类生物化自适应制造系统控制结构(英文)

未来的制造系统需要应对多变的不可预测环境的干扰,因此要求制造系统的控制结构具有较好的自适应性、自组织性、敏捷性、智能性和鲁棒性.而具有这些生物行为特征的类生物化制造系统能够很好的满足这一要求.因此,借鉴生物系统的组织结构、控制机理和运行模式,从一个全新角度提出了有机制造单元的概念,并结合基于激素分泌调节的超短反馈机制,建立了类生物化生产系统自适应控制模型;基于神经-内分泌-免疫系统调节机制,建立了类生物化自适应制造系统控制结构模型.最后,通过一个基于信息素通信机制的实例表明:整个系统具有较强的鲁棒性.     

基于正交小波变换的噪声下1/f类分形信号的恢复

为了恢复噪声背号下的分数布朗运动．采用正交小波对混有噪声的分数布朗运动的增量进行分解，在线性最小方差估计准则的基础上估计出“细节”小波系数和“近似”小波系数，并重构离散分数高斯噪声，从而得到要提取的分数布朗运动。在仿真中，说明了“近似”小波系数对重构信号的重要性，并以恢复出的分数布朗运动的最小均方误差mse和自相似参数的方均根误差rms为指标说明了本文方法的有效性和优越性。     

条件均值对可靠性测度Bayes估计的应用(I)

本文讨论了条件均值对某些常见失效分布的参数与可靠性测度的Bayes估计的应用,这些分布包括,双参数指数分布,左截尾双参数指数分布,正态分布与对数正态分布。     

敏捷SAR卫星滑动聚束模式姿态控制分析

敏捷合成孔径雷达（Synthetic aperture radar,SAR）卫星机动能力强、图像质量高,可以实现条带模式、滑动聚束模式、大角度侧视及大角度斜视成像。滑动聚束成像模式图像几何分辨率高、图像质量高,是敏捷SAR卫星的典型应用模式。根据滑动聚束模式的成像特点,本文分析了两种典型的滑动聚束成像模式姿态控制实现方式,并分别进行仿真、测试和比较分析,以支持卫星在轨滑动聚束成像模式的应用。     

影响泥岩压缩变形与抗剪强度的物性指标灰色关联度分析

为研究广西南宁泥岩物性指标分别与压缩变形参数、抗剪强度参数的关联程度,采用灰色关联法中改进的指标权重计算方法,找出影响压缩模量E_(S1-2)、粘聚力с和内摩擦角φ的主次因素。研究结果表明:含水率ω和孔隙比e与压缩模量E_(S1-2)关联度较小,其余4项物性指标影响贡献率顺序由大到小依次为天然重度γ、饱和度S_r、液限W_L、塑限W_P;天然重度γ、饱和度S_r、液限W_L对粘聚力с和内摩擦角φ影响较小,其余3项物性指标影响贡献率顺序由大到小依次分别为含水率ω、塑限W_P、孔隙比e和含水率ω、孔隙比e、塑限W_P。研究得出的结论可在泥岩工程设计计算中发挥借鉴参考作用。     

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的,该方法需要手工标记大量的数据,代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类,然后结合类内间离散度进行从底向上的分层聚类,类间和类内离散度都小的类别将被优先合并,同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量,最后,利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明,相比于目前先进的无监督视频行人重识别方法,本文方法在性能上有一定的提升。