蜂群无人机自组网多优先级自适应退避算法

针对现有媒质接入控制（MAC）协议退避算法无法为蜂群无人机自组网（FANETs）提供区分服务,且在重负载时性能严重恶化等问题,提出一种多优先级自适应退避算法。采用忙闲因子自适应机制和最优竞争窗自适应机制,根据信道忙闲程度和网络状态参数自适应实时更新各优先级竞争窗口（CW）长度,从而使每次退避的竞争窗口可快速收敛到最佳状态,并实现了多业务区分服务,得到了最优的系统性能。通过建立不同优先级退避过程的三维Markov链模型求解得到了饱和吞吐量下的最优竞争窗自适应因子,并且理论推导了系统吞吐量和平均MAC时延的数学表达式。仿真结果表明,所提算法在重负载时能够实现多优先级区分服务并有效提高系统的吞吐量性能,相比区分业务优先级的自适应退避（PAB）算法和支持QoS的自适应竞争窗口退避算法（Q-ABACW）,性能均有较大提升。      

6156铝合金的人工时效与蠕变时效研究

采用光学显微及透射电子显微、维氏硬度、拉伸力学性能、电导率测试等技术,研究了试验6156铝合金的人工时效与蠕变时效强化规律与微观组织特征.结果表明,在本文试验的温度(155～175℃)-应力(0～200MPa) -时间(8～14h)范围内,采用不同制度的人工时效和蠕变时效样品的力学性能相差不大,但蠕变时效的析出相数量增...     

前体涡诱导机翼摇滚的人工转捩技术研究

针对翼身组合体由前体绕流主控的机翼摇滚运动现象,在常规低速风洞中为了模拟其前体流动的过临界Re数绕流流态,研究并提出了一种分布式多转捩丝人工转捩技术。该技术是在模型前体的两侧分别以模型周向角±56.25°为中心周向对称分布多对转捩丝,其间隔为22.5°。转捩丝的轴向位置是从x/D=0.306开始延伸到机翼前缘翼根所在截面。在这样的布局下,当模型摇滚时,前体两侧绕流的转捩有效区内就能始终保持至少各有一根转捩丝。这样,在常规低速风洞中进行模型滚转振荡实验时,利用上述人工转捩技术,只要摇滚的减缩频率足够低,在任一滚转角下就能使得前体的边界层流动转捩到过临界流态。最后,在北航D4常规低速风洞中通过该人工转捩技术,得到了在前体过临界Re数绕流流态下,翼身组合体的机翼摇滚运动形态。     

人工导向自组织子网学习方法研究

本文提出的人工导向自组织子网学方法，克服了子网结构中各子网间没有相互联系，对类别之间含混特征无法区分的缺点。通过在话者辨认实验中的应用表明，这种方法适于区分特征相近的类别，可用于辨别真假目标     

固体发动机人工脱粘的二维实验与数值模拟

针对固体火箭发动机前封头人工脱粘缝隙,设计了二维实验装置,用来模拟发动机点火过程中前封头人工脱粘位置受到点火冲击后的应力-应变情况.同时,采用流固耦合的数值方法,对比计算了实验工况,计算得到人工脱粘根部的应力-应变与实验吻合很好.通过数值研究发现,点火初期燃气对人工脱粘部位的冲击,会引起缝隙内部的压强振荡及装药表面的振...     

基于Frenet和改进人工势场的在轨规避路径自主规划

在轨道间机动的航天器规避空间目标,需兼顾沿转移轨道飞行的绝对运动和规避空间目标的相对运动,路径自主规划难度较大且目前国内外公开研究成果较少。针对上述问题,提出了一种将Frenet坐标系与改进人工势场相结合的在轨规避路径自主规划方法。首先,构建Frenet坐标系表述空间规避运动,解决了路径规划中航天器与既定转移轨道相对位置不易表述的难题,实现了空间规避运动的简便表示;其次,改进人工势场函数、调整势场作用区域,避免了传统人工势场法存在过早轨迹偏离以及局部震荡现象,实现了对空间目标的自主规避;最后,考虑规避安全、轨道保持、制动时效以及燃料消耗因素构建全局优化函数,能够满足不同任务的需求与偏好,实现了沿转移轨道飞行的最小偏移与快速恢复。算法比对与算例求解表明:所提方法应用优势明显,路径平滑、偏移量小,满足航天器规避空间目标的路径规划需求。      

用人工神经元网络预报西安成阳国际机场辐射雾

本文用BP三层网络建立了西安成阳国际机场1月、12月的辐射雾预报系统,历史拟合率和试报都比较理想.     

固体火箭装药包复层脱粘问题的分析

本文应用了二维轴对称弹性有限元分析方法计算了常见的三种火箭装药结构,因热载荷及火箭发动机工作内压力作用引起的脱粘主应力(发生在人工脱粘端点处包复层与推进剂药柱的相粘接的界面上),对比分析了火箭装药的外界载荷、人工脱粘结构形式及火箭装药的几何参数等对脱粘的影响。另外,对于预防火箭装药包复层的脱粘问题做了一些分析讨论。     

BP神经网络用于传感器故障诊断的仿真研究

在标准逆传播神经网络的基础上 ,提出了一种全新的改进逆传播神经网络 ,用来消除标准逆传播神经网络收敛速度慢和易陷入局部最小点的缺陷 ;并且设计了一个主神经网络和三个分布神经网络的结构 ,通过神经网络的在线学习 ,得到需要的参数估计。用它与传感器测得的实际值比较 ,可判断出故障 ,并且给出了仿真实例。