Stall flutter prediction based on multi-layer GRU neural network

The modeling of dynamic stall aerodynamics is essential to stall flutter, due to the flow separation in a large-amplitude pitching oscillation process. A newly neural network based Reduced Order Model (ROM) framework for predicting the aerodynamic forces of an airfoil undergoing large-amplitude pitching oscillation at various velocities is presented in this work. First, the dynamic stall aerodynamics is calculated by solving RANS equations and the transitional SST-γ model. Afterwards, the stall flutter bifurcation behavior is calculated by the above CFD solver coupled with structural dynamic equation. The critical flutter speed and limit-cycle oscillation amplitudes are consistent with those obtained by experiments. A newly multi-layer Gated Recurrent Unit (GRU) neural network based ROM is constructed to accelerate the calculation of aerodynamic forces. The training and validation process are carried out upon the unsteady aerodynamic data obtained by the proposed CFD method. The well-trained ROM is then coupled with the structure equation at a specific velocity, the Limit-Cycle Oscillation (LCO) of stall flutter under this flow condition is predicted precisely and more quickly. In order to predict both the critical flutter velocity and LCO amplitudes after bifurcation at different velocities, a new ROM with GRU neural network considering the variation of flow velocities is developed. The stall flutter results predicted by ROM agree well with the CFD ones at different velocities. Finally, a brief sensitivity analysis of two structural parameters of ROM is carried out. It infers the potential of the presented modeling method to depict the nonlinearity of dynamic stall and stall flutter phenomenon.     

基于集成学习模型的飞行学员认知负荷研究

在飞行过程中,飞行员需要在短时间内接收大量信息,并做出正确的判断与决策,而过高的认知负荷会影响其感知、判断、决策等认知过程,进而影响飞行安全。首先通过飞行模拟实验获取飞行学员在执行不同飞行任务时的生理数据;然后通过时域、频域分析等方法提取呼吸和心电信号的特征,并通过统计学方法筛选出能够反映认知负荷水平的指标;最后结合支持向量机、K 最邻近、人工神经网络等方法建立集成学习模型,对飞行学员的认知负荷进行评估,并与单一算法进行对比。结果表明：本文建立的集成学习模型具有较高的准确率,能够更好地反映飞行学员认知负荷水平。     

Collaborative image compression and classification with multi-task learning for visual Internet of Things

Widespread deployment of the Internet of Things(Io T) has changed the way that network services are developed, deployed, and operated. Most onboard advanced Io T devices are equipped with visual sensors that form the so-called visual Io T. Typically, the sender would compress images, and then through the communication network, the receiver would decode images, and then analyze the images for applications. However, image compression and semantic inference are generally conducted separately, and t...     

Levy 方法的改进

由于Levy方法简化了指标函数,并采用经典的最小二乘法,用于估计系统传递函数的参数,受实验数据误差影响大。基于Levy方法但保持原来的指标函数,提出一种改进的增量迭代算法和正交最小二乘法,仿真结果表明,该算法具有良好的收敛性,并使系统参数估计精度较Levy方法有明显的提高。     

直升机旋翼载荷中的非线性强迫振动方程迭代算法

介绍用迭代方法求解直升机桨叶气动载荷中的非线性强迫振动方程。计算时,先假定诱导下洗已确定,求出桨叶的初始载荷;再通过非线性强迫振动方程求出弯－弯－扭弹性变形。以某一直升机为例,求出了桨叶的各阶谐波载荷和弹性变形。计算结果与实验数据吻合。     

语言学习策略——部分高校理工科学生英语学习运用策略调查

语言学习策略（Ｌａｎｇｕａｇｅｌｅａｒｎｉｎｇｓｔｒａｔｅｇｉｅｓ）是学习者用于提高学习效率所采用的方法和步骤。作者调查了中国部分高校理工科大学生在英语学习中运用语言学习策略的能力。调查采用了Ｏｘｆｏｒｄ的一套自我测试调查表。根据我国学生的实际情况对调查表中某些项目做了适当的修改。调查涉及两个高校两个年级的３００名学生,并采用科学的方法进行统计,结果表明语言学习策略与英语学习有密切联系;语言学习策略对中国学生学习外语十分重要。     

基于AFI混合聚类算法的轴承故障诊断方法

针对滚动轴承振动信号标记数据量小、故障模式多样的现状,提出了一种基于AFI混合聚类算法的半监督式轴承振动信号故障诊断方法。利用小波包分解方法提取了信号的能量特征谱,并通过主成分分析方法增强了信号的特征;参考迭代自组织数据分析的“分裂”和“合并”的思想,为人工鱼群算法中的个体鱼增加了“分裂进化”和“合并进化”行为;采用模糊C均值方法定义了隶属度矩阵和目标函数,并利用改进的人工鱼群算法,迭代搜寻了目标函数的全局最优解,得到了各故障模式的聚类中心;通过计算测试数据的最近邻聚类中心,实现了故障模式识别。结果表明,该方法无需指定聚类簇数,能在标记数据量小的情况下完成训练,较同类方法表现出了更优的故障模式识别性能。     

牛顿迭代收敛的加速

基于Newton迭代法单根的二阶收敛性和重根的线性收敛性,提出了加速牛顿迭代收敛的思想。利用反函数的性质,取Taylor展开式的前三项进行迭代;并利用差商代替导数的方法,构造出更高收敛阶的迭代公式。大量的数值实验结果表明,本文算法理论上的推导是完全可行的,且有效地提高了迭代公式的收敛速度。     

基于深度学习的日间逐小时地表PM2.5浓度反演

以长三角地区作为研究区域,提出了使用深度学习算法来实现主被动遥感数据结合反演地表PM2.5浓度的方法。基于MPL观测数据,使用雾霾层高度(HLH)替换了边界层高度(BLH)特征,对已有的基于气溶胶光学厚度(AOD)结合大气BLH来反演PM2.5浓度的算法进行了改进。为提高数据覆盖率,对研究区域内的MAIAC AOD进行了填补与评估。利用多种机器学习算法实现了日间逐小时的PM2.5浓度估算,模型验证相关性最高可达0.87。该方法能够为观测气候变化、应对大气污染提供有效帮助。     

基于改进Q学习的IMA系统重构蓝图生成方法

重构蓝图定义了故障状态下系统软硬件资源的重新配置方案,是实现综合模块化航空电子系统重构容错的关键。提出了一种基于改进Q学习的重构蓝图生成方法,综合考虑负载均衡、重构影响、重构时间、重构降级等多优化目标,并应用模拟退火框架改进探索策略,提高了传统Q学习算法的收敛性能。实验结果表明,与模拟退火算法、差分进化算法、传统Q学习算法相比,本文提出的改进Q学习算法效率更高,所生成重构蓝图质量更高。