自适应滤波抑制电子设备窄带干扰的研究

针对电子设备内部、外部普遍存在的窄带干扰问题,提出了采用自适应滤波的手段抑制这种干扰信号的设想,分析了其抑制扩频信号多窄带干扰的性能,并对其做出了理论论证。     

鲁棒递推阻尼最小二乘算法

递推最小二乘法是工程上自校正控制中常用的参数辨识方法,收敛速度快,但是存在着长期运行协方差矩阵容易爆发的问题。工业上通常采用死区等保护手段,但是会对精度产生一定的影响,并且参数调试困难。本文根据目前计算机的处理能力,提出了阻尼最小二乘法的有限时间窗口批处理递推算法,解决了传统递推最小二乘算法存在的难以克服的参数爆发现象,仿真结果验证了这个算法的有效性。     

关于曲线检测的探讨

曲线测量一直是几何计量中的一个重点 ,本文阐述了已知曲线和未知曲线测量原理 ,利用 B样条拟合曲线 ,以及如何借助最小二乘对测量值 (二维 )进行最佳拟合和偏差处理     

空-空导弹攻击区的高精度快速拟合

针对一般拟合法在处理空－空导弹攻击区这一复杂的非线性函数时所存在的问题,提出多关系式拟合-插值法,降低了拟合阶次。数字仿真结果表明,该方法极大地提高了拟合的精度和速度。     

球面镜偏心测量的数字化评价方法

运用数字图像处理技术和最小二乘拟合技术,通过Matlab软件编程实现了球面偏心的计算和评价,并将该方法的结果与传统测量方法的结果进行比较,证明了该评价方法的有效性。     

无网格法耦合RNGk-ε湍流模型在亚、跨声速翼型黏性绕流中的数值模拟

 基于移动最小二乘无网格方法,耦合RNG (Re-Normalisation Group) k-ε湍流模型求解雷诺平均Navier-Stokes方程。采用AUSM (Advection Upstream Splitting Method)⁺-up迎风格式求解数值通量,应用在高度各向异性点云结构中取得良好结果的点云重构技术结合移动最小二乘法拟合空间导数,并用三阶SSP (Strong Stability Preserving)型Runge-Kutta显式时间推进格式求解离散后的控制方程。在此基础之上,实现了对NACA0012、RAE2822翼型亚、跨声速黏性绕流的数值模拟,给出了翼型表面压力系数分布曲线、不同位置处的平均速度剖面、马赫数等值线等计算结果,并与实验值及相关文献数值模拟结果进行比较,结果吻合较好。表明所发展的结合点云重构技术的无网格方法耦合RNG k-ε湍流模型能够成功模拟翼型亚、跨声速黏性绕流,验证了所提算法的有效性,并拓展了无网格方法求解湍流流动的途径。     

发动机故障方程的最少故障整体优化解

 发动机故障诊断是根据有限的发动机性能参数的测量值在众多的可能发生但不一定发生的故障之中确定出故障的类别和程度。测量参数与故障参数之间的关系通常表示为亚定的线性方程组△y=A△x,式中△y为测量参数向量而△x为故障参数向量。引入最少故障原理可以对亚定的故障方程组求解。求解方法可分为整体优化解法和组合优化解法两大类。本文给出两种基于最少故障原理的约束整体优化解法。最少故障原理和约束条件的引入可以有效地保证最优解的确定性和合理性。文中还给出了利用整体优化解法进行发动机故障诊断的实例。     

最小成本加快法中的优化组合方案定理及其计算机程序

本文提出了最小成本加快法中寻找多关键路线情况下的组合压缩方案的方法,并用图论中有关割集的理论进行了论证,得到了优化组合方案定理。该定理指出:在由网络计划图中的关键路线构成的子图中,如果每项作业都允许压缩或放宽作业时间,则其最小费用率完全割集中的每个正向割弧(作业)压缩单位时间,每个反向割弧(作业)放宽单位时间,则总工期以最低成本压缩单位时间。文中详细介绍了这种算法。     

基于贝叶斯LS-SVR的锂电池剩余寿命概率性预测

提出了一种基于贝叶斯最小二乘支持向量回归(LS-SVR)的锂电池剩余寿命在线概率性预测方法.首先,通过滚动窗方法选取锂电池历史健康退化数据,并根据相空间重构原理建立训练样本,其中最小嵌入维数使用Cao氏方法计算获得.然后,运用贝叶斯3层推理训练LS-SVR预测模型,在迭代预测阶段,采用蒙特卡罗方法来表示和管理多步预测中的不确定性及其传递,即用一群离散粒子来近似连续分布,结合“退化轨迹不相交”原则和高斯过程假设,预测出锂电池健康状态未来时刻的发展趋势.最后结合给定的失效阈值,通过统计穿越阈值的粒子数目得到剩余寿命的概率分布.使用美国国家航空航天局阿姆斯研究中心公开的电池数据集与高斯过程回归(GPR)方法进行对比实验,多项预测性能指标结果表明贝叶斯LS-SVR方法具有更高的预测准确度和置信度.     

基于增量学习的非定常气动力参数化降阶模型

气动降阶模型（ROM）是预测非定常气动力的有效工具,具有高精度和低计算成本的优点,近年来许多研究证实了该方法的有效性。但是关于飞行参数变化时,ROM的鲁棒性还需要进一步提高。为了提高ROM对不同飞行参数下的气动力预测能力,提出了基于最小二乘支持向量回归（LS-SVR）和增量学习算法的参数化降阶模型。LS-SVR是一种具有良好泛化能力的回归方法,基于LS-SVR的增量学习算法的主要贡献是在增加新样本集时,不需要重新学习整个数据集。为说明该方法的有效性,基于两自由度NACA64A010翼型构建参数化非定常气动力降阶模型。为了训练气动力输入和相应输出之间的关系,将马赫数和迎角作为附加的模型输入。仿真结果表明,该降阶模型能够准确描述气动力和气动弹性系统在不同飞行参数下的动态特性。