飞行器智能设计愿景与关键问题

未来飞行器正朝着多元化、无人化和智能化的方向发展,高超声速、超隐身和变体等新型飞行器不断涌现。而传统飞行器解耦分拆的设计方法越来越难以满足未来飞行器综合性能全面提升的要求,只有通过整体化设计才能充分发掘飞行器的潜能。通过分析传统飞行器设计中存在的问题,提出满足全生命周期要求的飞行器智能设计体系理念,利用知识库的构建将智能赋予飞行器平台系统设计、制造生产和运维这3个阶段,并通过数字孪生技术进行飞行器全生命周期的仿真、分析和预测,以对飞行器设计、运行等数据进行更新,使该体系形成闭环。就飞行器智能设计体系中需要的关键技术及涉及的科学问题等进行了讨论,并给出了未来发展方向以供参考。     

表面处理对聚酰亚胺柔性复合材料粘结性能的影响

使用聚酰亚胺(PI)膜和PI纤维编织布制备深空探测用柔性织物复合材料,研究表面处理对PI膜和PI纤维编织布之间粘结性能的影响。采用自制表面处理剂分别对PI膜和PI纤维编织布的表面进行处理,再经硅橡胶胶黏剂粘结制备柔性复合材料。使用T剥离强度试验方法测试柔性织物复合材料的层间胶接性能,并分析复合材料剥离面的形貌状态。结果显示,PI膜和PI织物的表面处理可以显著提高柔性织物复合材料的T剥离强度。其中,PI膜和PI织物未经表面处理时,柔性织物复合材料的T剥离强度为8.9 N/cm。对PI膜进行表面处理,或者对PI膜和PI织物均进行表面处理的情况下,柔性织物复合材料的T剥离强度增加至11.7 N/cm和12.8 N/cm,分别提高了31.5%和43.8%。这表明对PI膜及PI织物进行合理的表面处理,可以显著提高柔性织物复合材料的胶接性能。     

英语习得与人为目的语环境的创造

"语言习得"与"语言学习"是外语教学理论研究中的两个重要概念,克拉申认为只有"习得"来的语言才能成为流利的口头表达,而"学习"只能起"监查"作用.在"学习"的条件下,通过营造人为目的语习得环境,以用为本,立足实践,学习者同样可以达到习得外语的目标.     

基于Bang-Bang控制思想的迭代学习控制算法研究

根据迭代学习控制基本原理,吸取了Bang-Bang控制的思想,提出了新的迭代学习控制算法。与常用的利用迭代误差或误差变化率进行控制率计算的算法相比,该算法只需根据迭代误差的符号即可计算控制率,不仅大大减小了计算工作量,而且增强了系统的抗干扰能力。给出了算法表达式和控制结构图,进行算法收敛性分析。仿真结果表明该算法的有效性和收敛性。     

GF(q)域上的低密度校验(LDPC)码的译码及其在深空通信中的应用

低密度校验码是一类能有效逼近香农限的好码,而高进制的LDPC码具有比二进制LDPC码更好的性能,但其译码复杂度太高不利于工程应用。本文提出了一种基于协同优化算法的低复杂度的高进制LDPC码的译码算法,并讨论了其在深空通信中的应用。     

月球卫星精密定轨

随着空间应用需求的日益增大,深空探测已成为现实,而月球显然是人类走向深空的首选目标。发射月球探测器通常分3个阶段,其运动状态分别对应3种不同类型的轨道:近地停泊轨道、地月转移轨道和绕月轨道。月球是1个慢自转天体且无大气,就轨道解而言这些因素导致环月卫星的运动与地球卫星有所差别。本文针对月球探测任务的特点,从月球与地球的差别入手,在仔细分析月球卫星的受力状况前提下,着重阐述月球探测器在环月段精密定轨的方法原理和具体实现过程。     

基于迭代学习控制的导弹PID控制器参数寻优

针对设计导弹PID控制器时存在的对比例、微分、积分3个控制参数大量盲目试凑的问题,利用迭代学习算法对控制参数进行自动寻优,最终得到最佳控制参数,从而实现了对PID控制器参数自动寻优的目的,简化了控制器的设计过程。通过仿真结果验证该方法在PID控制器参数自动寻优上是有效的,同时也为导弹控制器参数整定提供了工程适用的方法。     

基于最小二乘支持向量机的普通高校招生人数预测研究

近年来普通高校的发展速度与规模,使社会大众兴起了对教育质量与总量的关注。普通高校招生数预测是制定教育政策的重要依据。针对中国文化教育的特征,在统计学习理论和结构风险最小化原理的基础上,建立了基于最小二乘支持向量机的时间序列预测模型。预测结果表明该模型具有较高的预测精度,为普通高校招生数预测提供了一条新的途径。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩,但由于该类方法只能以矩形框给出目标的概略位置,检测结果具有很大的背景冗余区域,特别是港口密集停泊的舰船在图像中会出现区域重叠,导致误检和漏检。针对以上问题,提出了一种具有旋转不变性的舰船目标精细化检测方法,该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点,借鉴MobileNet架构对网络加速,通过学习密集区域目标的几何形变,有效预测目标的旋转角度,最终以旋转的矩形框给出目标的位置。实验结果表明,该算法可实现多类舰船目标类型区分和目标朝向判定的功能,有效地解决了实际应用中的目标精确定位定向难题,提高了自动目标识别的精确性,并满足工程应用的实时性要求。