一种弹用涡喷发动机风车起动数值仿真方法

对弹用涡喷发动机风车起动过程进行仿真求解:点火前风车过程用径向基函数神经网络(RBFN)建模,引入相关先验知识对网络输入变量加以变换,以满足小样本情况下网络建模;依据试验数据运用滑动最小二乘法(MLS)获得压气机特性;对于点火加速过程的动态模型,采用改进的粒子群优化(PSO)算法求解.解决了N-R(Newton-Raphson)法受初值影响不易收敛的问题.计算结果与试验数据吻合较好,可作为发动机起动过程性能分析和优化的理论依据.      

基于多分类器融合的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了D-S证据理论对RBF神经网络、BP神经网络和支持向量机三个诊断子系统的诊断结果进行决策级融合,结果表明D-S证据理论的使用可以达到比单独运用三个子系统具有更好的诊断效能,经过融合降低了误诊率,改善了诊断性能。     

基于深度强化学习的固定翼无人机编队协调控制方法

由于运动学的复杂性和环境的动态性,控制一组无人机遂行任务目前仍面临较大挑战。首先,以固定翼无人机为研究对象,考虑复杂动态环境的随机性和不确定性,提出了基于无模型深度强化学习的无人机编队协调控制方法。然后,为平衡探索和利用,将ε-greedy策略与模仿策略相结合,提出了ε-imitation动作选择策略;结合双重Q学习和竞争架构对DQN（Deep Q-Network）算法进行改进,提出了ID3QN（Imitative Dueling Double Deep Q-Network）算法以提高算法的学习效率。最后,构建高保真半实物仿真系统进行硬件在环仿真飞行实验,验证了所提算法的适应性和实用性。     

Neural Networks Combined with Importance Sampling Techniques for Reliability Evaluation of Explosive Initiating Device

Concerning the issue of high-dimensions and low-failure probabilities including implicit and highly nonlinear limit state function, reliability analysis based on the directional importance sampling in combination with the radial basis function (RBF) neural network is used, and the RBF neural network based on first-order reliability method (FORM) is to approximate the unknown implicit limit state functions and calculate the most probable point (MPP) with iterative algorithm. For good efficiency, based on the ideas that directional sampling reduces dimensionality and importance sampling focuses on the domain contributing to failure probability, the joint probability density function of importance sampling is constructed, and the sampling center is moved to MPP to ensure that more random sample points draw belong to the failure domain and the simulation efficiency is improved. Then the numerical example of initiating explosive devices for rocket booster explosive bolts demonstrates the applicability, versatility and accuracy of the approach compared with other reliability simulation algorithm.     

基于MLR的机动平台传感器误差配准算法

 基于固定平台传感器误差极大似然配准(MLR)算法,针对机动平台存在姿态角系统误差的问题,提出了对机动平台传感器系统误差和目标状态进行批处理离线估计的机动极大似然配准(MLRM)算法.该算法利用所有传感器对目标的量测值,通过把传感器量测向目标状态进行投影、对传感器系统误差和目标状态进行期望最大化迭代以及对目标的状态进行融合估计,最终实现量测、姿态角系统误差和目标状态的有效估计.仿真结果表明,该算法迭代收敛速度快,对系统误差估计精度高,对系统误差可观测性较低的配准环境的适应性强并且对传感器姿态角的相关性不敏感,具有很强的工程实用性.     

一种新的基本随机变量重要性测度指标体系

综合当前基于方差的重要性测度与矩独立重要性测度的优点,建立了一个新的随机变量重要性测度指标体系。该体系从输出响应量的均值、方差以及可靠度指标方面对随机变量的重要性进行了分析,进而根据不同的要求衡量基本随机变量对系统或模型输出的影响程度。给出了各个重要性测度指标的定义,并探讨了他们与现有的基于方差的重要性测度指标的关系。通过算例说明了所提新的重要性测度指标体系的优越性。结果表明:新指标体系中的指标不但可以反映旧的指标,而且还对其进行了修正,克服了基于方差的重要性分析中随机变量取不同实现值时对输出响应量的影响相互抵消的问题,从而更加合理地衡量随机变量的重要性;与当前矩独立的重要性分析方法相比,新的指标体系在继承其优点的基础上能够从不同侧面更加全面地对随机变量的重要性进行分析,因而具有更广泛的应用范围。     

图模型与学习算法结合的贝叶斯网络自动建模

针对纯数据驱动的贝叶斯网络结构学习算法的准确度和效率较低的问题,提出了一种融合多信号流图模型与K2学习算法的贝叶斯网络自动建模方法。该方法利用多信号流图模型能够描述信号之间传递与依赖关系的能力,结合K2学习算法在结构学习中的优势,实现了专家知识与数据驱动方法有效融合的贝叶斯网络结构自动学习算法。通过与常用网络结构学习算法的对比实验证明,该融合算法显著降低了结构学习对学习范围和训练数据规模的要求,具有更高的学习准确度和运算效率。采用真实系统实例阐述了该融合算法的应用过程,验证了算法的实用性。      

基于能量均衡的助航灯光单灯监控WSNs路由协议

机场助航灯光无线传感器网络能量 有限,但部分灯光所处位置不规则,导致该区域设置的簇头节点因消耗较大过早死亡从而形 成传输过程中的区域空洞,破坏了整个无线传感器网络的能量均衡,影响网络工作寿命 。在分区路由协议的基础上提出能量均衡、簇头位置均匀分布的WSNs路由协议。该协 议由两部分组成,针对不规则区域（对应单排长排灯位置）采用链式传输协议,对其他区域 采用逻辑分区的分簇路由协议,在簇头选举算法中加入候选簇头节点分布区域限制和节点能量 约束。为验证协议的有效性,按照机场灯光进近区灯光位置分布进行了MATLAB仿真。仿真结 果表明,该协议具有良好的网络能量均衡能力,传感器网络可以获得较长的生命周期,适宜 机场助航灯光监控类应用场合。     

每束多馈源天线的设计特点研究

每束多馈源是一种能够在多色复用情况下有效减少反射面使用数量的多波束天线配置方案,鉴于国内外对这一方案的研究尚处于初级阶段,对这类配置天线的设计特点研究需求更为迫切。文章对这类天线相对于每束单馈源天线存在的一些设计差异和设计要求开展了研究。重点提出了相邻同色波束最大干扰的概念,并首次将馈电网络结构与波束优化相结合,在理论上确保了网络的可实现性。最后,结合这类天线的特点,对进一步改善波束性能给出了两点设计构想,并分析了构想的可行性。     

基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。