无人机下滑着陆DGPS/INS导航及引导系统的仿真与试验研究

介绍了一种采用输出校正方式DGPS/INS组合导航系统引导无人机下滑着陆的方案。给出了该方案的数学模型,对组合导航系统进行了数字仿真,并在数字仿真的基础上进行了动态跑车试验,验证了所设计的输出校正方式DGPS/INS组合导航系统能够满足引导无人机自动下滑着陆的精度要求。     

疲劳寿命估算的线性累积破坏率准则研究

介绍了一种新的疲劳寿命估算方法——线性累积破坏率准则,其物理意义明确,简单明了。在对恒幅载荷疲劳寿命统计分析的基础上,求出对应的疲劳寿命概率密度函数,从而利用线性累积破坏率准则可估算出变幅载荷下结构的疲劳寿命。线性累积破坏率准则没有限定试验条件和疲劳寿命分布形式,因此对一般环境下和腐蚀环境下的疲劳均具适用性。利用两组疲劳试验数据对该方法进行了验证,结果表明在中值寿命附近预测寿命与实测寿命非常接近,精度较高、有较好的工程应用价值。     

随机集的概率假设密度粒子滤波

多目标跟踪问题中,当目标数已知时,可以用概率数据互联(PDA)或联合概率数据互联(JPDA)算法。而当目标数未知或随时间变化时,需要对不同目标数的跟踪进行比较。可以把目标集看作随机集进行讨论,目标数N是随机变量。随机集的跟踪通过有限集统计(FISST)理论来完成。文中讨论了用粒子滤波实现跟踪随机集的方法。实验表明,在杂波环境下,粒子滤波可以稳健跟踪目标状态和目标数。     

基于BP神经网络的战斗机采购费用估算

介绍了飞机采购费用的构成,概述了飞机采购费用的估算方法;简单描述了人工神经网络的基本原理,以此构建了BP网络模型;最后,利用神经网络方法对飞机采购费用进行估算,并用MATLAB进行仿真,取得了比较满意的结果。     

环氧改性氰酸酯树脂研究

分别采用E20和E51环氧树脂与双酚A型二氰酸酯(BADCy)共聚来改善氰酸酯树脂的力学性能.用DSC,FTIR研究了两种不同分子量的环氧改性氰酸酯体系的反应性,发现E20和E51对BADCy的固化反应均有催化作用,但E20的催化作用强于E51.断面SEM表明,经E20和E51改性的BADCy断口处存在大量的韧涡.但改性体系的热变形温度(HDT)和吸水率有所下降,当配比(质量)相同时,E51/BADCy体系比E20/BADCy体系具有更高的HDT和较小的吸水率.     

CVI反应器内部气体流场的有限元模拟及优化设计

采用有限元计算方法,研究了CVI反应器内部的流场特征.对于形状简单的构件,构件的放置方式和阵列对气体的流动状态具有显著的影响.与横向阵列相比,纵向阵列能充分保证构件沿其长度方向流场均匀性,减小回流现象;在反应器中,随着纵向阵列试样数量的增加和分布均匀性的提高,气体流动速度增大,流场均匀性提高.减少反应器内部的自由空间,是提高流场品质和化学气相沉积效果的关键.基于减少反应器内部的自由空间的原则,针对杯形复杂构件,提出了通过加入与其几何形状相适应的导流板工装,有效避免了在构件内部和外部形成回流区,实现流场的优化设计.     

环形扩压叶栅流动非定常控制方法的PIV研究

利用合成射流发生器对于一台环形扩压叶栅进行了流动主动控制的探索,发现适当的非定常激励方式可以使得环形叶栅的总压损失明显减小。同时利用二维粒子图像测速仪(ParticleImageVelocimetry,简称PIV)测量了扩压叶片绕流流场。获得了不同攻角下,在不同的激励频率和激励强度下,流场结构的变化。结果表明非定常激励可以使叶片绕流流场结构发生明显变化。在合适的非定常激励下,扩压叶片的叶背分离流动得到明显抑制,尾迹漩涡的强度和尾迹宽度均明显减小,流线分布比无非定常激励时更加平滑。实验结果能够与环形叶栅时均总压损失的变化相吻合。对于这一非定常控制方法的作用机理也进行了初步的分析。      

脉冲爆震燃烧效率的探索性试验研究

为了对脉冲爆震燃烧过程的燃烧效率有一个初步了解,在分析脉冲爆震发动机工作原理的基础上,设计了一套带有压力可调单向阀结构的取样系统,并进行了试验验证.试验针对爆震频率为5Hz、当量比为1的汽油和空气混气,测试了爆震波充分发展前后不同位置处爆震燃烧过程的燃烧效率,结果表明可以利用设计的取样系统进行脉冲爆震发动机燃烧效率的测量,试验还发现在脉冲爆震室后爆震发展比较充分的位置,测取的燃烧效率比较高,最高可达99.6%.     

基于BP网络信息融合技术的电路板故障诊断

对基于BP神经网络的信息融合故障诊断技术进行了研究,将信息融合技术应用到某型反舰导弹俯仰综合放大器电路板的故障诊断中,并利用改进的BP神经网络进行数据融合,得到了较为理想的结果.研究表明,该方法能够较好地解决电路板元件故障诊断的不确定性问题.     

基于支持向量机回归的电力负荷预测研究

不同于传统的基于经验风险最小化的回归方法,支持向量机回归方法基于结构风险最小化准则.与神经网络相比,该方法在解决学习精度和推广性之间的矛盾方面有明显的优势.本文以城市电力负荷预测为应用背景,对比研究了基于统计学习理论的支持向量机回归方法和神经网络方法.预测结果显示支持向量机可能是一种非常有前景的预测工具,其预测精度明显好于神经网络.