构件裂纹缺陷的超声识别

将小波包多分辨率分析与能量谱相结合,提出了金属材料缺陷特征提取的方法(小波包子带能量比较法)及不同缺陷的识别方法(小波分形神经网络法)。选取最能反映缺陷特征的参数——"能量特征向量"作为特征参数,进行缺陷的特征提取。缺陷的识别方法将小波包分解后各子带系数的分形维数作为特征矢量,对其进行径向基神经网络训练,从而可很明显区分出有无裂纹以及不同裂纹信号。以航天发射塔架钢连接构件疲劳裂纹超声检测信号为例,使用所提出的特征提取和模式识别方法,结果表明是行之有效的新方法,为金属材料缺陷检测与识别开拓了新思路。     

细节信息容量与MTF相关分析

文章从信息容量的角度出发,对图像宏观质量做出评价,再通过研究图像的细节信息容量参数,对在宏观上质量相当的图像做出更进一步的评价,挑选出边缘清晰、纹理等细节信息丰富的图像。然后将该评价参数与Ealing仪测得的调制传递函数(MTF)值的变化趋势作曲线回归分析,实验结果表明,细节信息容量与数字成像系统的MTF值的变化有着很好的正相关关系,这对评价数字成像系统MTF变化情况具有较好的实际应用价值。     

微小型捷联惯导系统解析式对准方法研究

对静基座下微小型捷联惯导系统对准技术进行了研究。给出了6种解析式粗对准的对准方法,通过对这6种方法的理论对准误差进行推导,得出对应的理论对准误差结果,其中2种方法误差较小,同时进行仿真,仿真结果验证了理论对准误差推导的正确性。因此,在传感器精度相同的条件下,本文为静基座下微小型捷联惯导系统的粗对准的实现确定了效果较好的2种方法。最后采用了其中的4种方法对实测的微小型IMU数据分别进行了对准验证分析,获得了很好的效果。     

基于有效准则矢量生成的成像调度方法

进行高效成像调度是卫星控制的一项重要任务。通过将成像需求序列对应为有向图中的成像路径,结合成像调度问题特点,基于多个优化准则使用支配关系对成像路径质量进行综合评价,提出有效准则矢量生成算法。利用成像有向图的拓扑特性,基于时间顺序顶点选择策略进行顶点标记更新,生成出有向图中所有的有效准则矢量及每个准则矢量对应的一条Pareto优化路径。实验结果表明,获得的有效准则矢量数目小,算法可以在较短时间内得到多条具有代表性的优化成像路径,满足卫星成像调度的时间和性能要求。     

火箭发动机气体-颗粒两相流双流体模型研究

探讨了两相流双流体模型中颗粒相压强、两相界面压强以及两相界面速度等若干关键问题,从理论上推导了双流体模型的控制方程,并讨论了颗粒相控制方程的双曲性.把LU隐式时间格式和Van-Leer矢通量分裂格式应用到两相流双流体模型中,并对一维等截面传热摩擦管道和轴对称JPL喷管中气固两相流进行了计算,计算结果与文献结果吻合良好,所建数学模型正确,所用数值计算方法可靠.     

快速拉格朗日差分法在巷道锚杆支护计算中的应用

快速拉格朗日法是一种新型的数值计算方法。本文介绍了快速拉格朗日法的基本原理和分析过程；并将这种方法应用于巷道锚杆支护的计算中，对锚杆支护前后围岩的变形进行了对比。结果表明锚杆在控制围岩垂直方向的变形有明显的作用。     

一种基于启发式搜索的智能轨道规划

针对二体轨道模型,设计了一种时间固定点对点多冲量轨道机动的智能规划算法。算法基于非线性规划理论和启发式智能搜索技术,采用随机A*扩展树法保证优化的全局性,并利用逐步二次规划法(SQP)来保证结果的局部数值精确性。整个算法具有较好的智能自主性。最后通过数值仿真验证了算法的可行性。     

航天器环境干扰力矩的闭环辨识与补偿

研究引入干扰力矩辨识的方法提高三轴稳定航天器在稳态运行期间的高精度指向控制问题.基于航天器的稳态输出数据和系统传递函数,对环境干扰力矩的完整模型进行闭环辨识.其中采用改进的特征系统实现相关算法和多元线性回归法辨识环境干扰力矩的模型参数,最后使用前馈控制对所辨识的环境干扰力矩实现在线补偿.分析和仿真结果表明,该方案能有效地克服不确定的环境干扰力矩对姿态稳定度的影响,提高在轨运行航天器的姿态稳定精度.     

基于分层神经网络的航天器故障诊断技术

为了提高卫星、飞船等复杂系统的故障诊断速度和精度,文章提出了一种基于分层神经网络的整星故障诊断模型。模型中的上层神经网络采用自组织特征映射网络,完成整星故障的初步定位与辨识;下层神经网络采用广义回归神经网络,实现整星各分系统故障的精确定位和定因。引入主元分析法实现原始状态变量的降维,减少神经网络神经元数量。该模型已成功应用于某卫星各分系统的故障诊断,提高了诊断效率,并能精确给出诊断结果。     

最小二乘支持向量机的在线学习算法研究

针对最小二乘支持向量机在线逼近过程中求解矩阵维数逐渐扩大的问题,提出了一种最小二乘支持向量机的在线学习算法。借助滚动窗口的思想,建立一个随时间滑动的建模数据区间,在线逼近中通过接受新数据删除旧数据来保持数据区间长度不变,同时数据不断更新,从而实现模型的在线学习。仿真结果表明了这种学习算法的有效性。