国防科研生产领域智能制造推进的方法策略研究

本文主要介绍了我国国防科研生产领域智能制造的基本现状、取得的成效及所面临的主要问题,结合航空工业昌飞公司推进智能制造的成果与经验,研究提出了国防科研生产领域推进智能制造的方法策略与措施建议,为我国国防科研生产领域智能制造发展提供指导,助推国防先进武器装备的升级换代.     

电磁测力系统研究

介绍了电磁测力系统中静磁场分析与优化、通电线圈位置控制方法及提高线性度的自校准方法。运用Maxwell 3D进行仿真计算,得到了相对优化的磁密及磁均匀性,通过控制通电线圈在磁场中位置及分段线性微分技术,提高了电磁测力准确度。构建了试验装置,对比试验数据表明,该研究措施对于提高电磁测力准确度取得了较好效果。     

可重复使用飞行器再入姿态的区间二型自适应模糊滑模控制设计

针对具有强非线性、多变量耦合特性的可重复使用飞行器（RLV）,同时考虑模型参数不确定性和外界干扰对飞行器再入姿态跟踪的影响,提出了一种基于区间二型自适应模糊滑模的姿态控制方法。首先,建立飞行器再入动态模型,并基于反步思想将控制模型转化为姿态角和角速率相关子系统。其次,将模型参数不确定性和外界干扰视作子系统非线性项的一部分。再次,采用区间二型模糊系统逼近子系统非线性项,并结合自适应技术和滑模控制方法分别设计虚拟控制量和实际控制量。此外,引入一阶低通滤波器用以处理子系统虚拟控制律。通过Lyapunov方法的分析证明了闭环控制系统的稳定性,且飞行器姿态跟踪误差可收敛于原点附近的小邻域。最后,利用飞行器的数值仿真验证了所设计控制方法能有效跟踪飞行器参考指令,且对外界干扰有较强的鲁棒性。      

eLoran系统ASF网格应用算法研究

ASF网格是提高增强型罗兰（Enhanced Long Range Navigation,eLoran）系统精度的重要方法。根据所在网格四个顶点的附加二次时延（Added Secondary Factor,ASF）值通过网格应用算法得到待测试点的ASF值,一定程度上比公式计算的ASF值更准确。在计算过程中,用户四个顶点ASF值的测量误差会传递给用户,同时内插算法本身也会引入误差,此时内插算法的选择尤为重要。本文通过仿真、分析比较几种常用的内插算法,得出结论：反距离插值算法引入的误差最大,双线应插值算法引入的误差最小,而且误差呈现一定层次感,网格从内到外误差逐渐减小。     

多变量全局寻优与智能优化在星座组网中的应用

顶层任务规划通常与星座组网紧密结合,小卫星分散灵活的特性尤其适用于星群规模化在轨运行。针对热点区域覆盖和全球覆盖的不同任务需求,提出了对构型多变量进行全局寻优和利用智能优化技术进行星座构型优化的方法,两种优化方法可分别获得小规模星群最优效能与超大型星群的较优效能。优化方法不受轨道类型和任务目标分布的约束,具有良好的鲁棒性。     

基于多目标灰狼算法的干扰资源多效能优化方法

依靠经验决策或简单的模板匹配的传统干扰资源决策方式难以适应当前复杂的电磁环境。针对雷达干扰资源决策的智能化需求展开研究,将干扰资源调度建模为多目标优化问题,以最大化整体干扰效能、最小化干扰总功率、最小化作战损失为目标函数建立干扰资源调度模型,利用一种多目标灰狼算法（MOGWO）求解问题模型Pareto前沿,以最优解集代替最优解,再根据战场实际情况选择最佳调度方案,使决策方案更加科学合理。实验结果表明,MOGWO算法能够克服基本灰狼算法（GWO）探索能力不足、局部收敛的缺陷,有较高的搜索效率,算法的寻优能力和稳定性均优于NSGA-Ⅱ算法和MOPSO算法。      

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.