暂态信号形成的参量阵声场特性

暂态参量阵技术容易获得低频宽带信号,是诸多声呐系统广泛使用的信号模式。在众多描述非线性声波 传播的理论模型中,KZK方程能够准确地描述有限振幅声波传播的衍射、吸收及非线性效应,是描述参量阵非线性 声场最为精确的方程之一。文章从KZK方程的时域求解出发,对常见暂态信号自解调形成的参量阵进行分析。 理论研究表明,暂态信号参量阵的声场特性主要与信号包络的载波、上升沿有直接关系。高斯包络脉冲的上升沿 越陡峭,相同轴向位置的低频分量幅值越大,相同峰值功率前提下的能量转换效率越高；当被调制载波的中心频率 一致时,正线性调频信号调制得到的参量阵声压幅值要略高于负线性调频信号。文章可为暂态信号参量阵的辐射 波形选择提供初步的理论指导。     

基于飞行状态的直升机部件使用费用分析

基于飞行状态造成的疲劳损伤，引入“影响因子”的概念，建立飞行状态时间比例改变对动部件使用费用影响的数学模型，分析各种飞行状态时间比例改变对动部件使用费用的影响程度。采用此模型对某型直升机的研究表明，计算得到的只有一个飞行状态时间比例主动改变和只有一个飞行状态时间比例未主动改变的影响因子可以定性和定量地分析飞行状态对使用费用的影响，在此型直升机所有的飞行状态巾只有两种飞行状态造成的使用费用在飞行状态时间比例变化0．1时变化超过0．01。     

基于网络层次分析法的舰艇反导作战效能评估

舰艇反导作战效能评估的方法主要有 SEA法、ADC法、作战模拟法和层次分析法等,这些方法存在多系统评估比较困难,或者没有考虑系统之间或系统内部的相互影响,从而导致评估结果存在偏差。针对这个问题,在层次分析法的基础上进行了改进,引入网络层次分析法,较好地解决了系统之间或内部相互影响和多系统评估难度较大的问题。分析结果表明,该方法简洁实用,易于被普遍接受。     

遥测装备智能运维系统的研究与工程化实现

随着航天发射和在轨航天器管理任务的不断增加，为支撑各类测控需求，遥测站数量越来越多，测控系统越来越复杂。为了从整体降低对遥测任务及遥测装备的运维管理成本，提升运维信息的应用能力，为各类角色用户提供有效全面的信息支撑，需要建立体系化的遥测装备智能运维系统。构建多级智能化运维体系，通过现代化信息感知和传输技术实现装备信息的多维度快速获取、感知和汇聚，全局性掌控战斗资源，建设运维中心及信息处理平台完成数据的智能融合处理，通过对各装备、各时段数据的比较，关联挖掘信息，深层次利用运维数据，实现资源全景展示、装备状态监视与智能维护、运行效能评估、态势分析与预测等能力，为遥测资源和战斗力部署调度提供直接全面的决策支撑。     

空间核动力装置控制系统设计分析及启示

空间核动力装置执行深空任务具有复杂性和特殊性，对其控制系统的研发提出较多独特的挑战。研发具有高可靠性和高自主性的控制系统，一直是空间核反应堆领域的研究重点及难点之一。对美俄(苏联)从20世纪80年代至今典型空间堆控制系统的研发方案展开调研，分别从控制系统的总体要求、架构设计、启动控制策略、额定工况下功率控制方案等方面，对其设计现状进行分析和归纳，总结美俄不同型号空间堆控制系统的设计及其特殊性。在美俄空间堆控制系统设计的经验基础上，为不同型号空间堆装置控制系统的设计提供借鉴。     

A geographical and operational deep graph convolutional approach for flight delay prediction

Flight delay prediction has attracted great interest in civil aviation community due to its significant role in airline planning, flight scheduling, airport operation, and passenger service. Flight delay is affected by numerous factors and irregularly propagates in air transportation networks owing to flight connectivity, which brings critical challenges to accurate flight delay prediction. In recent years, Graph Convolutional Networks (GCNs) have become popular in flight delay prediction due to the advantage in extracting complicated relationships. However, most of the existing GCN-based methods have failed to effectively capture the spatial–temporal information in flight delay prediction. In this paper, a Geographical and Operational Graph Convolutional Network (GOGCN) is proposed for multi-airport flight delay prediction. The GOGCN is a GCN-based spatial–temporal model that improves node feature representation ability with geographical and operational spatial–temporal interactions in a graph. Specifically, an operational aggregator is designed to extract global operational information based on the graph structure, while a geographical aggregator is developed to capture the similar nature among spatially close airports. Extensive experiments on a real-world dataset demonstrate that the proposed approach outperforms the state-of-the-art methods with a satisfying accuracy improvement.