数字飞行控制系统极限环振荡的抑制

极限环振荡是数字飞行控制系统工程实现中经常出现而又较难克服的问题,本文提出环节比例因子动静选配法,可有效地抑制数字控制系统由于量化非线性而引起的极限环振荡,并得到数模混合仿真的验证。     

主动反共振隔振装置的研究(二)试验研究

本文从试验角度研究主动反共振隔振装置中各参数对隔振性能的影响,并验证了理论分析的正确性。     

测量点云数据的多视拼合技术研究

在实物反求中，往往需要将从各个不同视角测得的点云数据进行多视定位，统一到一个全局坐标系下，并经过数据融合使之能够便于后续的模型重建。本文首先提出了一种改进ICP算法，在采用标签法进行预定位的基础上，选取两个视图重叠区域中不同位置的数据点集作为控制点集，建立控制点的名义对应关系，然后进行坐标变换迭代求解，从而方便快速地实现了两个不存在明确对应关系的点云视图之间的准确定位。在进行多视拼合时，提出一种边定位边合并的方法，减少了多视顺序拼合时所产生的积累误差。对拼合后的视图，本文根据在重叠区域的缩小包围盒内采用加权平均的方法进行了数据融合。实例表明，本文提出的方法是行之有效的。     

复合风险指数-将在全美实施的新的航空风险指数

为了反映民航业的整体运营安全风险,FAA提出了一个全新的指数每飞行小时相关风险指数。该指数是一个类似于道·琼斯指数的复合指数,通过对年度航空事故的量化处理,快速直观地显示出整个航空安全体系的状况。2006财政年度起FAA将正式采用该指数。     

SAR原始数据压缩技术研究

研究两种合成孔径雷达(SAR)原始数据压缩算法，它们是块自适应树型矢量量化算法和块自适应预测编码算法。前者是在使用穷尽型搜索技术的块自适应矢量量化算法的基础上，通过使用树型搜索算法来提高算法的运行效率；后者是通过预测编码来消除SAR原始数据之间的相关性从而提高压缩性能。结合机载SAR实测原始数据，对讨论的各种算法分别进行压缩和解压缩，并进行SAR成像处理。通过比较和分析各种算法的性能及图像域参数，表明块自适应树型矢量量化算法和块自适应预测编码算法能提高SAR原始数据的压缩性能，比较适合实际工程应用。     

基于滚动时域优化的变后掠角飞机修正控制律设计

为了确保飞机在变后掠角过程中的飞行稳定性,提出了一种基于滚动时域优化(Receding horizon optimal,RHO)的修正控制方法。首先,采用反步方法进行标称控制律设计,提供基本的飞行稳定性和跟踪性能。其次,将指令滤波器表示成状态空间的形式,基于指令滤波器、飞机和积分跟踪误差的状态方程得到一个增广状态方程。然后,采用RHO方法进行修正控制律设计,在有限滚动时域内计算得到修正控制量,对标称控制器输出进行在线补偿,确保快速变后掠角过程中的飞行稳定性。最后,通过变后掠角飞机航迹倾斜角控制系统仿真对算法的有效性进行了验证。     

基于振动模型的呼吸运动估计与伪影反卷积校正

PET／CT图像的呼吸运动伪影严重影响胸腹部肿瘤的诊断与治疗计划的制定。现有的伪影校正方法大都涉及呼吸门控设备和四维CT的使用,不仅给测试带来不便,还让患者遭受大剂量的CT照射从而对其造成额外伤害。为此,采用正弦振动来模拟呼吸运动,通过对仿真和体模图像倒谱的Radon变换来估算呼吸运动的幅度和方向,然后分别采用维纳滤波、约束最小二乘法和Richardson—Lucy迭代算法,根据估计的运动参数对伪影图像进行反卷积并比较它们的去伪影结果。仿真与体模实验结果均显示出模拟呼吸运动参数估计和伪影校正的良好结果．且方法安全、简便而经济,有望用于常规采集的静态PET图像呼吸伪影校正。     

Kriging模型在翼型反设计中的应用研究

目前,基于Kriging代理模型的优化方法在气动优化设计中得到了广泛的应用,然而却并未能应用于气动反设计中。本文将翼型气动反设计问题转化为优化问题,利用基于Kriging模型的优化方法进行了翼型的单目标、多目标反设计,验证了Kriging模型在翼型单目标、多目标反设计中的适应性,并研究了模型加点准则对设计结果的影响;此外,将本文方法与多项式响应面模型优化方法、基于Adjoint的优化方法进行了比较,结果表明,该方法明显优于基于多项式响应面的优化方法,且与Adjoint方法相比,设计效率相当且具有更好的通用性。最后将本文方法应用于接近工程实际的在已有翼型基础上修改压力分布进行反设计,验证了本文方法的可行性。     

二元弯曲压缩进气道变攻角起动试验

开展了内外压缩型面可控的弯曲压缩进气道反设计方法研究,并针对设计的二元弯曲压缩进气道进行了不同马赫数下变攻角起动数值仿真及试验研究,获得了进气道起动攻角迟滞环,仿真与试验得到的不起动/自起动攻角、出口流场以及压力分布吻合良好,同时试验结果也表明设计的弯曲压缩进气道具有较高的综合气动特性,设计点Ma=4、α=3°抗反压能力70倍来流压力以上,总压恢复系数在0.5以上。     

基于深度学习的翼型反设计方法

建立了一种基于深度学习的翼型反设计方法,将翼型曲线及其对应的压力分布图像作为训练学习对象,建立其内在联系的模型,实现通过卷积神经网络提取压力分布图像的特征,计算获得翼型曲线。该方法直接将压力分布图像作为模型输入,更加直观简洁,同时避免了传统方法中耗时的数值计算过程。模型测试中,6 000组压力分布图像和翼型曲线用于模型训练,另外561组用于模型验证,验证耗时仅67 s,预测的翼型曲线与CFD计算结果的平均相对误差为055%。对比实验中,通过对压力分布曲线添加噪声、改变输出层尺寸等方式,进一步验证和分析了预测模型性能。结果表明该翼型反设计方法具有较高预测精度和较强鲁棒性,能在保证精度的情况下降低计算时间,提高设计效率。