双层梯度蜂窝吸波结构优化设计

设计了一种带蒙皮和金属底板的双层梯度蜂窝吸波结构，并利用Hashin-Shtrikman（HS）模型获得其等效电磁参数。在此基础上，以反射率低于-10dB带宽最大为优化目标，利用保收敛粒子群优化算法（Guarantee Convergence Particle Swarm Optimization，GCPSO）对四种不同排序方案的双层梯度蜂窝吸波结构进行优化设计。结果表明，入射电磁波的角度和极化方式以及吸波材料的选择、排序和厚度对双层梯度蜂窝结构的吸波性能有很大的影响；不同入射角度下TM极化时的吸波特性明显优于TE极化，在入射角为60^°时最为明显；对比四种方案优化结果显示，case 1方案由于选用损耗角较小的吸波材料充当透波层，分布于蒙皮下面，而选用损耗角较大的吸波材料作吸收层，并置于吸波结构底层，因而具有最大的优化目标函数，吸波效果最佳，且蜂窝高度仅为具有相同吸波效果的case 3方案的49.44%。因此，选择case 1方案作为本文最终优化结果。     

基于改进粒子滤波的多传感器融合空间目标跟踪

为了跟踪空间目标,构建了基于局部粒子滤波器的多传感器融合方法估计空间目标状态。粒子滤波重要采样过程中,设计了基于融合估计的重要密度函数减少粒子贫化问题,并设计基于 McDE(Memetic compact Differ. ential Evolution)重采样策略,通过对粒子的变异与选择等进化操作来解决粒子退化问题。理论推导与仿真结果皆证明方法的有效性。     

基于PSO-BP神经网络的固冲发动机推力估计器设计

为了对固体火箭冲压发动机的推力进行直接控制，提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值，而后以最优权值进行BP网络训练，对其进行精调，如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系，从而完成推力估计器的设计。利用240组训练集数据对网络进行训练，并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中，基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法，不仅形式简单，而且对于测试集数据而言，其能够将推力相对误差控制在5%以内。