基于神经网络的精确末制导律研究

针对动能杀伤武器重量极小化问题，基于神经网络技术、动态逆补偿法和非线性优化法，研究了两种精确末制导律，一种采用FFBP神经网络学习一要制导方程动态逆实现精神制导，另一种采用FFBP神经网络学习非线性优化解实现精确制导，仿真分析表明，前者对目标加速度估计误差过于敏感，无法实现；而后者在目标加速度有误差时仍能实现精确制导，估于偏置比例导引，并可以使动能杀伤武器重量极小化。     

基于B样条的气动反设计遗传算法研究

在气动反设计中引进了基于自然选择和生物遗传机制的遗传算法,针对遗传算法的搜索原理和气动外形特点,提出了与之相适应的Ｂ样条基因表达,构造了均匀变异与非均匀变异相结合的自适应变异算子,提出了用于优化设计的适应函数,发展了一种小种群演化方法。文中并以全位势方程求解程序为例,进行了翼型重构反设计,验证了本方法的可行性,然后在此基础上进行了基于阻力极小的优化设计,取得了令人满意的结果。     

网络攻击下无人机信息物理系统的自适应状态估计

针对网络攻击下无人机信息物理系统(CPS)的安全状态估计问题,提出了一种基于自适应方差极小化的递推状态估计器(AVMRE)。通过将针对控制输入和传感器数据的恶意攻击分别建模为状态和量测方程中的未知干扰项,建立了未知干扰解耦状态递推估计器,实现滤波误差中的量测未知干扰解耦,利用滤波残差设计自适应调整因子对估计误差上界进行极小化,应用最小方差估计准则求解出算法中的量测增益反馈矩阵。同时引入事件触发机制,使得系统在保持一定估计精度的情况下节省通信资源。此外,给出了滤波误差指数有界性的充分条件。无人机飞行模型仿真验证了本文算法相比传统算法的有效性和优越性。     

样本量为2的极小样本相容性检验方法

在航空航天领域由于成本、时间周期等原因进行疲劳寿命及可靠性评估时样本量通常极少（m=1或2）,利用相容性检验方法可对样本量进行扩充。常规的Wilcoxon秩和检验和K-S（Kolmogorov-Smirnov）检验适用于小样本情形,而极小样本相容性检验方面研究较少,且缺乏对方法合理性的详细说明和对不同方法检验功效优劣的比较。航空航天产品疲劳寿命多服从正态分布,因此本文主要以正态分布作为研究对象。利用Monte Carlo仿真发现从某一正态分布N（μ,σ²）中随机抽取两个样本x₁、x₂计算均值μ₁和标准差σ₁后构建新正态分布N（μ₁,σ₁²）,其±σ₁、±2σ₁和±3σ₁范围内的点落在原正态分布N（μ,σ²）±3σ范围内的概率依次为99.80%、98.13%和97.37%。在此基础上针对现场试验数据样本量为2的情况,本文提出利用3σ原则对先验信息数据进行相容性检验从而扩充样本量的方法。将该方法与两种文献方法对比后发现其误差率明显更低并呈现出检验性能随先验数据增加而不断提高的优势。     

解三维弹塑性接触问题的二次规划方法

 本文讨论了基于二次规划理论的三维弹塑性接触问题,其数值解法采用极大极小对偶迭代法,此方法比较简单、容易编制程序并且有严格的算法收敛性证明,方法适用于各种类型结构的接触问题。最后给出某型号飞机的机身与起落架之间的轴-套简结构的计算实例。     

次p-线性p-Laplace系统周期解的存在性

论文利用临界点理论中的极小化原理,获得了一类次p-线性p-Laplace系统周期解的存在性的充分条件,所得结果推广和改进了已有结论。     

面向高超声速飞行器双重不确定性的自适应状态估计

将高超声速飞行器双重不确定性因素建模为未知干扰输入项，针对状态演化方程和量测方程含有不同未知干扰输入的高超声速飞行器控制系统状态估计问题开展研究，提出一种基于自适应方差极小化的递推状态估计器(Adaptive variance minimization based Recursive Estimator, AVMRE)。首先建立了状态估计递推滤波器模型，实现滤波误差中的量测未知干扰解耦，之后引入自适应调整因子刻画状态未知干扰并推导了最小上界估计误差协方差矩阵，最后，基于最小方差估计准则设计了滤波器中的量测增益反馈矩阵。以外部突风和传感器故障为例，受内外部双重不确定性因素影响下的高超声速飞行器仿真实验验证了本文算法的有效性，与相关算法的仿真对比反映了本文算法的优越性。     

可控肥皂膜气柱界面与激波相互作用的实验研究

基于肥皂膜技术提出了一种生成气柱界面的简单方法。形成的界面不需要支撑网格,因此初始条件可以很好地控制。在水平激波管中结合高速纹影开展了平面激波与二维或三维气柱界面作用的实验。纹影照片显示实验结果杂波更少,演变中的界面也比文献的结果更对称。此外,还特别研究了由极小曲面特征导致的三维效应,发现三维效应使界面的演变和发展变慢了。本研究将有助于更多了解三维性对Richtmyer-Meshkov不稳定性发展的影响。