虚警影响下的备件库存优化

在虚警存在时完好的零部件被误诊为故障件而对维修站点发出备件需求,从而会对备件的需求率高估,所以需要引入虚警率修正备件需求率使之更为精确.证明了当虚警率服从指数分布时,考虑虚警的外场故障发生数仍然符合泊松分布.根据多层可修件库存控制理论,建立考虑虚警率的需求数和期望备件短缺数（EBO,Expected BackOrder）的函数关系,以期望备件短缺数为优化目标,对目标函数进行凸分析,建立面向系统虚警的备件配置凸优化算法,保证所选库存方案在系统发生虚警的情况下提高系统效能,并构建了某型飞机的应用验证案例,给出了最优的备件配置方案.      

基于脉冲样本图和Vague集的雷达辐射源识别

针对现有雷达信号特征描述方式很难有效地对复杂雷达辐射源进行描述和识别,提出一种基于脉冲样本图和Vague集的雷达辐射源识别新方法。该方法把雷达辐射源识别问题转换为Vague集的多属性决策问题,不仅能很好地解决雷达信号识别中的模糊问题,而且无需传统方法的特征提取过程,简化了处理环节。另外,基于脉冲样本图的雷达辐射源识别是利用有序的多个脉冲同时匹配识别,因此更可靠。计算机仿真表明该方法是有效可行的,为复杂雷达辐射源识别提供了一种新思路。     

一种新的辐射源优化识别方法

针对证据理论无法获得传感器报告、无法处理具有冲突的传感器报告、计算复杂度高、干扰环境下融合结果不可靠等缺点,提出了一种新的辐射源优化识别方法。该方法首先利用灰色关联算法来获得传感器的报告,并且提出利用信息熵解决灰色关联分析中特征权重的选择问题。然后根据传感器证据报告的特点,引入传感器可信度因子,通过构造和分解代价函数将辐射源识别问题转化为求解一个凸二次优化问题。最后,给出了一种利用对数罚函数方法求解该问题的改进方法和步骤。理论分析和仿真结果表明,与证据理论相比,新方法具有更低的计算复杂度、更好的识别能力、更广的适用性和更强的鲁棒性。
     

SINS外场系统级标定方法的优化——最佳六位置

静态多位置标定问题,不同位置编排方式会影响辨识精度.针对六位置标定方法,通过建立位置编排与惯组9个误差参数(加速度计零偏、标度因数误差和陀螺零偏)标定精度之间的关系,将惯组位置编排问题转化为Fisher信息矩阵的优化问题,并在A-最优、D-最优和E-最优3个优化指标下,给出了惯组位置编排的最优方案,通过仿真与满足可辨识条件的一组位置编排比较,结果表明最优方案能够提高加速度计零偏和标度因数误差的标定精度.      

可调静子旋转凸台位置对端区流动的影响

对包含凸台的可调静子模型进行简化,研究了不同凸台位置对端区流动的影响.通过实验测量与数值模拟对比可以发现:可调静子端区流动损失主要是由叶片气动负荷引起的泄漏及气流绕过凸台造成的掺混2个部分组成;通过合理优化设计,将凸台置于气动负荷高的叶片前缘并覆盖尽可能多的前缘间隙,能够有效降低损失,改善气动性能.      

基于纹理的活动轮廓三维图像分割研究

对具高噪声和低对比度三维图像的识别和分割算法进行了研究。基于活动轮廓模型,用Gabor变换提取图像的纹理特征,根据统计学信息假设,通过偏微分方程水平集和窄带方法求解,获得较基本活动轮廓的算法分割更光滑精确的物体轮廓。实验结果表明:改进模型算法的效率和准确度达到预期效果。     

用于复杂装备费用驱动因子筛选的灰色凸关联模型

针对复杂装备费用预测中样本少和费用影响因素繁多的问题,分析以往灰色关联度的缺陷,运用改进的灰色凸关联度建立费用影响因素与费用之间的灰色关联模型。依据灰色凸关联度的大小和接近程度筛选费用驱动因子,利用所选择的驱动因子建立多元回归模型。与已有文献中的方法进行对比,结果表明本文方法具有较高的预测精度,说明改进的灰色凸关联度模型能够诊断复杂装备费用的关键影响因素。     

考虑气动-结构的高空螺旋桨多学科优化方法

为实现高空螺旋桨高效率和轻质量之间的权衡设计,提出一种考虑螺旋桨气动-结构性能的多学科多目标优化设计方法,理论上可得到约束条件下推力最大和质量最小的Pareto解集。但工程应用中,变量太多,可接受时间内仅能获得Pareto解集拟合趋势。为避免优化周期太长,提出以下阶段性优化方法。阶段1：根据上述Pareto解集拟合趋势和平台约束,确定最优桨径;阶段2：进行基于最优桨径的气动优化获得气动外形,结构优化获得结构方案。使用该方法对高空太阳能无人机螺旋桨优化,两个阶段耗时分别为96 h和4 h。对获得螺旋桨制造,仿真和试验,对比结果表明：推力最大误差为10.9%,质量误差为6.9%,刚度误差为15.2%,固有频率误差为15.4%,试验结果也表明该方法的合理有效性。     

基于小波尺度函数的WSK-SV算法 及其气动性能预测

提出了一种将小波的尺度函数与SV(support vector)算法相结合的WSK-SV(wavelet scaling kernel-support vector)新算法,并将Daubechies小波以及Shannon小波的尺度函数分别构成尺度核函数,而且分别作为SV算法中一个可容许的支持向量核函数使用.该算法充分利用了Daubechies小波函数的紧支集与正交等特点以及小波的MRA(multi-resolution analysis,多分辨分析),并注意了尺度核函数能够满足Mercer条件.该算法除了具有通常SVM(support vector machine)所具有的优点外,还具有很好的收敛性以及泛化能力,能够有效地提高学习与预测效率.典型算例选取了不同的小波尺度函数,数值计算表明:在一维、二维和三维问题中,这些小波的尺度函数均可以用于WSK-SV算法,进而显示了这个新算法的可行性与通用性.