多雷达数据处理中的时空对准技术

本文介绍了多雷达数据处理系统结构，以及多雷达数据处理的时空对准技术。作者根据中国民航多雷达数据处理系统的技术状况，在文中推荐了一种比较实用的内插外推法的时间对准和以地心坐标系为对准参考系的空间对准算法，能够满足多雷达融合处理的精度要求。     

基于元胞自动机的飞机低空突防航路动态优化

提出了一种新型的航路动态优化算法——多层元胞自动机算法，描述了应用元胞自动机搜索飞机动态优化航路的策略。利用元胞自动机的计算并行性，使该算法大大减少了计算时间，提高了动态优化的实时性。最后用计算机进行了仿真，取得了较好的仿真结果。     

十字梁实验系统的Terminal滑模控制

在介绍 Terminal 滑模控制器的设计思想的基础上,设计了十字梁实验系统的 Terminal滑模控制器。微喷十字梁实验系统是一个高阶非线性系统,也是一个典型的多输人多输出系统。Terminal 滑模控制保证了输出跟踪误差在有限时间内收敛到零,使系统的动态性能优于普通滑模中的性能。仿真结果表明,使用 Terminal 滑模控制器控制十字梁实验系统是可行的。     

LD10高强铝合金真空扩散焊工艺研究

针对LD10铝合金真空扩散焊工艺，较详细地分析了焊接温度、压力和保温时间对接头质量的影响和作用。试验指出，焊前试件的表面清理是很重要的；接头的抗拉试验表明，不需加任何中间层金属，LD10铝合金的搭接接头抗拉强度系数大于80％．本试验条件下的最佳扩散焊工艺参数为：焊接温504℃；保温时间3h，焊接压力4MPa．     

不同保载时间作用下的定向凝固合金DZ125的高温低循环疲劳试验研究

研究了定向凝固合金DZ125 850℃时不同保载时间作用下的低循环疲劳行为。进行了拉伸保载时间分别为1 s,60 s,120 s和240 s的试验,并进行了循环应力-应变分析、应变响应分析、疲劳寿命分析以及微观断口分析,结果表明,保载时间对低循环疲劳力学行为有明显影响,随着保载时间的增加疲劳寿命逐渐减小,但保载时间超过一定范围之后疲劳寿命趋于稳定,而且随保载时间的增加蠕变损伤逐渐起主导作用。     

刷式封严初期使用特性的实验和数值研究

为了获得刷式封严在使用初期的泄漏特性,分别对两组实验件进行了27小时和50小时的泄漏特性实验,并利用多孔介质模型对实验结果进行了数值分析。实验表明:在使用初期,刷式封严的泄漏量与上下游的压差成正比;随着使用时间的增加,其泄漏水平逐渐降低直至最后趋于稳定。数值分析表明:在使用初期,刷丝排列由最初的疏松状态逐渐趋于紧密,并最终稳定在接近于紧密差排的状态,刷丝排列状态的变化改变了刷束的孔隙率,从而改变了刷束对流体泄漏的阻力,导致了刷式封严泄漏水平的变化。     

风力机叶片翼型的结冰数值模拟研究

研究了风力机叶片翼型的结冰数值模拟方法,及翼型结冰后对其气动性能的影响。求解雷诺平均N-S方程,引入k-ωSST湍流模型封闭方程,获得风力机叶片流场;采用拉格朗日法计算风力机叶片翼型周围的水滴运动轨迹,同时考虑了多尺寸水滴分布的影响,获得翼型表面的局部水收集系数分布;根据质量守恒和能量守恒原理,计算翼型表面的各项热流,获得翼型表面的结冰速率和结冰冰形;考虑到翼型结冰是时间的动态函数,采用多时间步长法完成结冰数值模拟。计算了风力机叶片翼型在不同环境条件和气象条件下的结冰冰形,同时模拟了风力机翼型结冰后周围流场的变化,并与干净翼型的气动特性进行了对比。结果表明,环境温度较高时形成的明冰对翼型气动性能的影响较大,结冰导致翼型升力下降,升阻比减小,最大减小幅度达到61%,同时结冰后的翼型会提前进入失速区,导致桨叶气动性能恶化。     

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。     

利用粒子群支持向量机预测轴流压气机机匣壁面压力

建立了基于粒子群优化的轴流压气机机匣压力支持向量机预测模型.利用支持向量机的强大非线性映射能力,实现了对某型轴流压气机机匣压力时间序列的非线性预测,并运用粒子群优化算法对支持向量机的重要参数进行了优化,增强了预测模型对混沌动力学的联想和泛化推理能力,提高了预测的精度和稳定性.而针对发动机台架试验数据的预测结果证明了方法...     

二次奖罚学习自动机

研究了奖罚型学习自动机的一种非线性强化算法。与线性的奖罚模型（ＬＲＰ）不同,新模型的行动选择概率的更新函数为二次的。这使得该模型的学习性能优于ＬＲＰ,且对不同的环境,其具有不同的行为和特点。