飞翼布局飞机控制/气动/隐身多学科优化设计

飞翼布局是先进飞机广泛应用的布局形式.飞翼布局飞机总体设计阶段不仅要考虑其隐身和气动要求,还必须高度重视控制系统的影响.以飞翼布局飞机为对象,研究控制、气动与隐身多学科优化的策略和方法.建立了适合在各学科的子空间进行多目标优化的流程,基于学科分析分配各个子空间的设计变量,并通过变量综合形成系统级的设计变量.在优化过程中,综合采用了改进的遗传算法和近似模型构造方法.针对飞翼布局飞机的特点,采用基于控制分配的控制系统结构,以时域指标作为控制学科的优化目标和约束条件.优化结果验证了所用方法的有效性,为将控制学科纳入飞翼布局飞机多学科优化提供了可行的途径.     

带极端特征向量的重新开始GMRES算法

求解大型非对称线性方程组的 Ｇ Ｍ Ｒ Ｅ Ｓ算法通常以其重新开始版本来减少存储量和计算量,而重新开始过程将影响残量的收敛速度。由此可以考虑在重新开始时保留一些重要信息,如把极端特征值对应的近似特征向量加到新的 Ｋｒｙｌｏｖ 子空间中。这样可以大大加快其收敛速度,而且保持残量最小化性质。     

大型结构特征值问题的并行EBE－子空间迭代法

本文利用ＥＢＥ策略和预处理共轭梯度法（ＰＣＧ法），将广义特征值问题子空间迭代法中各步的计算都单元化，从而避免了总刚度和总质量矩阵的组集，大大节省了存储量。由此建立的ＥＢＥ－子空间迭代法尤其适宜于并行计算。在银河－２机上的数值算例结果表明，无论是串行，还是并行计算，该方法都能有效提高计算速度。如对模型问题，若网格取４８０，则在串行计算时，ＥＢＥ计算途径较传统的总体计算途径的速度提高倍数达３．２７，而在挂用４个处理机进行并行计算时的ＥＢＥ－子空间迭代法较串行的总体计算途径的速度提高倍数可达１１．４。总之，该方法为一种有效的大型结构动力分析问题的求解方法。     

基于L2范数最小化联合模型的目标跟踪算法

为了解决稀疏表示的跟踪算法的计算代价比较大,且目标的表观由于多种原因会发生变化的问题,提出了一种在贝叶斯推理框架下,建立结合基于全局模板的判别式模型和基于局部描述子的生成式模型的联合模型,通过L2范数最小化进行求解的目标跟踪方法.在跟踪过程中,适时地更新判别式模型中的正负模板和生成式模型中模板的系数向量,使模板具有很强的适应性和判别性.实验结果表明,与其他典型的算法相比,该算法对于光照变化、尺度变化、遮挡、旋转等情况具有较强的鲁棒性.      

一种无人直升机飞行力学模型辨识方法研究

研究了一种无人直升机飞行力学模型辨识方法.将状态子空间辨识法和误差预报辨识法这两种不同机理的辨识方法相结合,用于无人直升机飞行力学模型的辨识.通过仿真计算,成功地辨识得到了悬停状态下算例无人直升机的高阶飞行力学模型.结果表明:提出的辨识方法具备状态子空间辨识法和误差预报辨识法各自的优点,不会出现经典辨识算法中寻优过程中出现的局部极小现象以及迭代带来的收敛性问题.     

Krylov子空间算法研究

Krylov子空间技术是基于投影方法的规划算法,如今已成为一类求解大规模线性问题的优秀算法,该算法采用正投影或斜投影在子空间产生迭代向量进行计算。同时,正确有效的预处理方法能加快迭代收敛。本文介绍了如何利用基于LU分解的GMRES(Generalized M in imum Residual)方法来求解大规模线性优化问题。     

柔性结构系统的子空间分析方法

子空间状态空间系统辨识(4SID)方法是分析线性振动系统动态特性的一种新的时域方法。该方法直接从测量数据辨识出系统的状态空间模型,无需非线性搜索和参数正则化,具有良好的数值特性,尤其适用于复杂的高阶多变量系统。本文应用其对一已知模态的桁架结构进行了仿真分析。     

基于空间距离的快速稳健子空间跟踪方法

从空间距离的角度分析子空间跟踪问题,提出了一种新的子空间跟踪算法。提出的算法同时适用于信号和噪声子空间跟踪,而复杂度仅为3NL+O(N)。仿真表明算法对基的正交偏离稳健,对舍入误差不敏感,是一种快速稳健的子空间跟踪算法。     

基于形态学与正交子空间投影的端元提取方法

针对现有端元提取方法从数据光谱或空间或特征信息的单一方面出发进行混合像元分解、不同类型端元难以区分等不足,提出一种扩展形态学与正交子空间投影结合的端元自动提取方法.利用扩展膨胀和腐蚀操作,通过计算形态离心率指数进行高光谱数据的端元数据集计算;利用光谱角匹配方法提取不同类型的端元,通过向端元正交子空间投影消除已经提取端元的影响;并通过航空高光谱数据进行算法性能验证.实验结果表明:提出方法能够实现在无任何先验信息情况下图像端元的自动提取,并且能够有效地区分相似光谱端元.     

基于张量子空间的信号参数估计算法

针对低信噪比条件下多通道信号特征参数估计问题,提出了两种基于张量子空间的信号参数估计算法,分别是基于矩阵堆叠的张量分解算法和基于张量矩阵因子的联合算法。通过研究参数化信号模型、信号子空间旋转不变性和张量范德蒙分解原理,分析了多通道数据的三维张量数据模型的构建;矩阵堆叠的张量分解算法验证了张量高阶奇异值分解是矩阵奇异值分解的推广,矩阵因子联合算法进一步提高了低信噪比条件下的信号参数估计精度。仿真以信号频率和初相位的估计精度为衡量指标,验证了低信噪比的条件下,张量子空间信号参数估计算法要优于传统的矩阵子空间信号参数估计算法。