舰载机起飞时机辅助决策系统建模

 由于航母扰动会影响舰载机起飞安全,而仅依靠个人经验决策起飞时机存在较大误差,因此提出了舰载机起飞时机辅助决策系统的概念并建立模型。通过分析航母运动对舰载机起飞的影响机理,选择飞机离舰爬升率作为评价起飞安全性的关键参数;结合舰载机起飞作业程序,确立起飞时机决策方法;在此基础上,利用人工神经网络的预测能力并结合有利/不利起飞时机的特征,建立舰载机起飞时机辅助决策系统模型。仿真结果表明,系统模型能够有效地为起飞指挥官提供辅助决策信息,提高舰载机起飞安全性。     

小波网络在某型航空发动机故障诊断中的应用

分析了用小波网络替代神经网络进行模型辨识的优点,在误差反向传播算法(Error back prop-agation)的基础上,结合小波分析理论,设计了一种小波网络算法.通过对某型航空发动机的仿真实验,小波网络能够及时准确地预测出发动机的输出.同时利用小波变换对残差的分析可以有效地检测出系统所发生的故障.      

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

一种高动态卫星网络的拥塞控制算法

针对卫星网络通信路径发生改变引起往返时延突变,导致现有的拥塞控制机制中超时重传时间估计不准确,并对拥塞窗口计算产生不利影响的问题,提出一种基于链路长度的带宽估计TCPW\|BLC算法。该算法通过计算通信链路长度合理调整拥塞窗口、慢启动阈值及超时重传定时器中相关参数的增益因子,使拥塞控制算法在往返时延突变情况下仍保持较高吞吐量,适应卫星网络动态环境特性。NS2仿真结果表明,TCPW\|BLC算法相比TCPW算法在卫星网络中吞吐量性能提高了2.8%,有效降低了时延突变给拥塞控制机制造成的不利影响。     

同轴接入设备的系统升级机制设计

高性能同轴网络(HINOC,High performance Network Over Coax)是面向下一代广播电视网的同轴电缆接入新技术,是实现模拟电视系统双向数字改造以及广播电视三网融合战略的关键技术之一.HINOC系统中的嵌入式设备HB(HINOC Bridge)与HM(HINOC Modem)需要通过在线升级实现软件版本的不断更新.针对目前一般的软件在线升级系统中普遍存在的整体加密传输效率低、硬件失效缺乏保护等问题,本升级系统设计在文件的传输和文件烧写的基本步骤上引入了文件差分编码解码、文件校验与加密解密以及异常保护机制.实际测试结果显示,升级系统能够满足HINOC系统在效率、安全性和可靠性方面的要求,保证了嵌入式系统的信息安全以及嵌入式设备在异常情况下的稳定工作.     

Storm-time atmospheric density modeling using neural networks and its application in orbit propagation

Upper atmospheric densities during geomagnetic storms are usually poorly estimated due to a lack of clear understanding of coupling mechanisms between the thermosphere and magnetosphere. Consequently, the orbit determination and propagation for low-Earth-orbit objects during geomagnetic storms have large uncertainties. Artificial neural networks are often used to identify nonlinear systems in the absence of rigorous theory. In the present study, an attempt has been made to model the storm-time atmospheric density using neural networks. Considering the debate over the representative of geomagnetic storm effect, i.e. the geomagnetic indices ap and Dst, three neural network models (NNM) are developed with ap, Dst and a combination of ap and Dst respectively. The density data used for training the NNMs are derived from the measurements of the satellites CHAMP and GRACE. The NNMs are evaluated by looking at: (a) the mean residuals and the standard deviations with respect to the density data that are not used in training process, and (b) the accuracy of reconstructing the orbits of selected objects during storms employing each model. This empirical modeling technique and the comparisons with the models NRLMSIS-00 and Jacchia-Bowman 2008 reveal (1) the capability of neural networks to model the relationship between solar and geomagnetic activities, and density variations; and (2) the merits and demerits of ap and Dst when it comes to characterizing density variations during storms.     

基于人工神经网络的反射器型面精度预测

基于人工神经网络的预测方法,利用数量适当的有限元计算结果,建立人工神经网络模型,对反射器型面进行精度预测分析,得到在最小型面精度结果下的结构设计参数。计算结果显示训练好的神经网络模型能够较精确地预测格栅反射器的型面精度,节省计算时间,并且以型面精度最小为准则进行参数分析,能够指导反射器的结构设计。     

基于图论的潜通路分块分析方法

潜通路分析是一种重要的电路可靠性分析方法.随着电路系统规模的扩大,整体进行潜通路分析不仅使分析时间增加,而且分析过程会占据很大的存储空间.对大型复杂电路网络进行潜通路分析时,运用基于Laplace矩阵的谱平分算法对电路系统分块处理,将其划分成规模较小的若干子网络模块.根据子网络模块内部元件的组合状态,用深度优先搜索判断通路,将每个子网络模块等效成一个多端的特殊器件.对各个子网络模块分别进行潜通路分析,对等效后简化的电路系统整体分析,以达到对整个电路系统潜通路分析的目的.潜通路分块分析的方法简化了电路网络分析模型,有利于潜通路分析自动化智能化水平的提高.      

双站跟踪模式下“嫦娥4号”中继星定轨仿真分析

位于地月平动点的探测器因为较差的观测几何,需要地基USB/UXB与天文VLBI长时间的联合跟踪数据获取稳定精确的轨道。提出了利用中国深空网双站共视跟踪平动点探测器,获取双程、三程测距及VLBI测量数据,解算探测器精确轨道的模式。以"鹊桥"卫星为分析对象,首先评估中国深空网对"鹊桥"的跟踪能力。然后分析不同观测组合模式下的定轨计算精度。结果表明:双站共视约束下,深空站每天对"鹊桥"跟踪弧长大于5 h;使用长于6 h的双站跟踪数据进行定轨,系统差的解算更有利于轨道精度提升;跟踪时长超过2天时,必须在轨道解算的同时估计光压系数,并有望实现优于百米的轨道精度。