一种直升机粘弹减摆器时域模型参数识别方法

在时域内建立了直升机粘弹减摆器的非线性模型。该模型基于不可逆热力学原理，在线性滞弹性位移场(Anelastic displacement fields，ADFs)模型的基础上，通过一组材料状态变量函数引入了粘弹性材料的非线性特性；文中以硅橡胶为研究对象，在粘弹减摆器实际工作中比较典型的幅值和频率范围内，进行了简谐实验，并通过两位移幅值(0．1cm，0．6cm)的应变／应力滞迟回线直接进行模型参数识别。最后，通过与线化复模量、不同幅值的应变／应力的滞迟回线等实验数据比较，证实了本文模型具有较好的可靠性，为进一步研究直升机粘弹减摆器的性能和带减摆器的旋翼气弹分析奠定了基础。     

用传递函数试验方法确定运载火箭结构模态参数

本文以运载火箭为例,阐述了通过传递函数(随机激振)求模态参数的方法。由传递函数的虚频、实频、相频曲线识别出固有频率、固有振型、模态阻尼比、模态刚度和横态质量等参数,并与传统的正弦调谐激振法求得的结果进行了比较,最后讨论了两种方法的优缺点。     

神经网络与D-S理论结合的HRR识别研究

基于D-S(Dempster-Shafer)证据理论,比较和研究了相关数据和不相关数据的融合方法,分析了多传感器数据融合的算法:集中式融合算法和分布式融合算法.经过实验证明,执行分布式有反馈融合算法时的效果最好.然后利用该算法,提出了和线性内插神经网络相结合的识别方法.利用4种飞机的步进频率雷达的高分辨率一维距离像,将神经网络的识别结果作为证据分别送入传感器进行融合,进行识别研究.实验证明,与单纯利用神经网络的方法比较,目标的正确识别率得到了改善.     

信使号证实水星真有水

尽管暴露在太阳炙热的光芒下，作为太阳系最内侧的行星，微小的水星却很可能是大量冰原的家。 20年前，来自地球的雷达观测显示，在水星极地附近存在一些高反射的小型区域，这意味着冰的存在。如今，于今年3月便开始围绕水星运行的美国航宇局的信使号探测器已经证实，这些位于水星极地附近的、与雷达上的亮斑紧密吻合的陨石坑的底部几乎从未接收过任何太阳光。     

一种改进的Manifold数据降维方法研究

Manifold学习算法已经被广泛应用到很多领域,如信息检索、模式识别、人工智能和数据挖掘等。已有的Manifold学习算法对局部临近区域选择很敏感,并且降维后的数据可分割性比较差。本文提出了一种自适应临近区域选择、具有良好信息可分割性的Manifold学习算法。这种方法在每一个数据点根据数据可估算的本质维度和局部正切方向选择临近区域。与此同时,在映射数据的时候使用聚类分析法聚集相似样本点集。这种方式能确保降维数据具有良好的可分割性,获得更好的降维效果。实验结果表明,新的方法在人工生成数据集上具有更好的嵌入效果。     

蓝海·城市家,博采众长,成就建筑艺术

外师造外.占尽人间风华。力邀全美三大设计师事务所之一Perkins+Will(帕金斯威尔)总设计师Ralph E.Johnson亲自规划建筑方案。现代设计院、中建三局、深圳南利公司和第一太平戴维斯等强强联手,承载无限荣光与不凡。     

RFID技术在航空领域的应用研究

射频识别(RFID)技术现已广泛用于物流、金融、零售等各个行业.航空领域的RFID应用起步较晚,通过对RFID技术在飞机制造商、原始设备生产厂家(OEM)、航空公司的一些典型的应用案例的分析,提出RFID技术应用于航空领域所面临的挑战及必要性,为其未来航空业自动识别技术的发展指明了方向.     

轨道转移飞行器复杂环境下假星干扰与星图识别研究

通过复杂环境下假星模拟,研究假星数目及K矢量查找角距阈值ε对星图识别成功率的影响,采用惯性数据辅助识别的方法,改善了星图识别的成功率.星图识别仿真结果表明,存在假星情况下,假星数目的增加及K矢量查找角距阈值ε的增大会降低星图识别成功率,假星数为7,ε取8″时,成功率仅为42.7％;惯性数据辅助识别相较于传统星图识别成功...     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题,从优化卷积神经网络结构的角度出发,本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛,提升网络的学习效率。本文首先建立舰船目标模型,分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异,然后利用四种信号对舰船目标模型生成数据集,最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下,本文所提方法对四种信号的识别准确率达到98.1%,表明所提方法有着较好的稳定性和鲁棒性。     

基于高置信局部特征的车辆重识别优化算法

根据车辆重识别中区域置信度不同,提出了基于高置信局部特征的车辆重识别优化算法。首先,利用车辆关键点检测获得对应的多个关键点坐标信息,分割出车标扩散区域和其他重要的局部区域。根据车标扩散区域的高区分度特性,提升局部区域的置信度。使用多层卷积神经网络对输入图片进行处理,根据局部区域分割信息,对卷积得到的特征张量进行空间维度上的切割,获得代表全局信息和关键局部信息的特征张量。然后,通过全连接层特征张量转化为表示车辆个体的一维向量,计算损失函数。最后,在测试阶段使用全局特征,并利用训练好的车标扩散区域提取分支获得高置信局部特征,缩短局部识别一致的车辆目标距离。在典型车辆重识别数据集VehicleID上进行测试,验证了所提算法的有效性。