一种智能的惯导陀螺漂移误差消除算法

给出了一套智能的消除惯导陀螺漂移误差算法,即改进的BP(Back Propagation)神经网络模态识别算法。可根据即时的飞行区域、气压计和雷达高度表测量的地形高程数据等,在机载数字地图上实时地进行在线模态识别,找出最合适的匹配区,并对惯性导航系统指示的位置信息进行修正。该算法具有识别精度高、识别速度快和识别准确率高等特点,可用于各类有人驾驶飞行器和无人自主控制的飞行器的惯导误差修正。     

基于转角模态曲率的损伤识别研究

利用测量得到的模态参数,应用中心差分法求取振型曲率,用损伤前后同一位置的振型曲率变化作为结构损伤的识别指标。采用有限元方法,通过数值仿真,对不同位置发生损伤前后的悬臂梁进行仿真计算,得到其模态参数。利用构造的损伤识别指标对结构损伤情况进行识别研究。在前人研究的基础上,特别提出了利用角位移模态曲率变化来识别损伤位置。仿真算例表明：利用角位移模态曲率比平动位移模态曲率识别损伤的效果更好,精度更高。     

一种基于改进核主成分分析的SAR图像识别方法研究

针对传统核主成分分析方法识别SAR图像时,存在图像像素之间关联性差、对目标姿态角依赖性强等局限性,研究了一种基于改进核主成分分析的SAR图像识别方法。其研究思想是,结合SAR图像的特点提出了一种基于局部特征核主成分分析的特征提取方法,并设计了一种基于灰关联分析的双分类器对提取特征进行分类。NSTAR仿真实验表明：该方法不仅可以增强图像像素之间的相关性,而且对目标姿态角不存在依赖性,仿真结果验证了方法的有效性和可行性。     

一种基于FFT/IFFT技术的罗兰C天地波识别新算法

罗兰C天、地波到达时间间隔小于50μs时,对天、地波到达时刻的估计误差大。为了准确估计时间间隔小于50μs的天、地波到达时刻,在FFT/IFFT技术基础上采用了天、地波分别识别算法,并证明了该方法可行性。仿真结果表明：利用该算法,天地波自动识别的准确率分别可达99．6％和98．6％以上,相对USCG标准可改善信噪比4．4dB,对数字化罗兰C接收机的研究与设计具有重要意义。     

基于遗传算法的复合材料结构材料参数识别

结合有限元方法和遗传算法进行复合材料结构材料参数识别。材料的弯曲模态频率由有限元方法得到,用遗传算法优化材料参数使计算得出的前五阶弯曲模态频率与结构振动实验测得的频率在最小二乘意义上差别最小。算例表明,用此方法通过结构振动实验和计算就能较为准确地得到复合材料结构的材料性能参数。     

利用模态编码进行结构损伤位置识别的自联想储存器神经网络方法

 提出了一种基于自联想储存器神经网络的结构损伤识别方法,该网络的训练数据为经编码后的结构模态向量。和传统BP网络相比,这种方法收敛性能较好且不易陷入局部极小值。另外,为判断识别结果的正确性,提出了一种基于向量间距离的可靠性分析方法。最后,以一个悬臂梁为算例验证了该方法的有效性和可行性。     

红外热像仪作用距离现场检测装置的研究

针对目前红外热像仪现场性能检测手段的不足,设计一套便携式红外热像仪最小可分辨温差(MRTD)检测装置,首先现场测量出红外热像仪的MRTD,再由大气透过率模型计算得到目标的表观温差,最后通过Johnson准则分析计算得到红外热像仪探测或识别目标的能力.试验结果表明该方法准确可行,可用于各类红外热像仪作用距离的检测.     

基于超声多普勒与电导环的油水两相流流速测量

两相流动现象广泛存在于众多工业领域中,其流动过程参数如流速的准确测量对量化体积/质量流量及优化生产工艺和过程设备有重要意义。针对水平油水两相流流速测量问题,提出了一种同侧双晶连续波超声多普勒（CWUD）与电导环传感器相结合的测量方法。非侵入式超声多普勒传感器为双晶超声换能器,由2个倾角相同且中心频率为1 MHz的压电陶瓷晶片组成,两者之间使用隔声材料防止声波干扰,其中发射晶片向流体连续发射超声波,同时接收晶片接收经流体中离散液滴散射的超声波,测量区间覆盖管道横截面的整个径向范围。动态实验在50 mm管径的水平油水两相流装置上完成,通过分析油水两相流多普勒频移响应特性,发现在测量区间内,平均多普勒频移与总表观流速之间随连续相不同而呈现2种线性关系。因此,根据电导环传感器的电学敏感原理,获得无量纲电压参数判断两相流的连续相,继而选取相应流动状态下的测量模型,计算流体总表观流速。实验结果表明:总表观流速估计值均方根误差为0.01 m/s,平均相对误差为3.09%,其中相对误差小于5%的置信概率为70%。      

基于支持向量机的飞行器多余物信号识别

针对飞行器控制电路在生产制造过程中可能引入金属线头等微小多余物,从而留下短路等安全隐患的问题,提出了一种基于微粒碰撞噪声检测（PIND）的飞行器多余物材质识别方法。首先,利用短时自相关函数提取PIND信号的脉冲部分;然后,提取多种时频域统计特征,并与梅尔频率倒谱系数（MFCC）特征结合起来;最后,训练多分类支持向量机模型实现材质分类。为验证所提方法的有效性,采集了3种不同材质多余物的PIND信号进行模型训练及测试,实验结果表明,所提方法材质识别准确率达98%,优于同类方法的相关结果。      

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征,传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究,且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象,结合图像处理和神经网络等方面的知识,创建了来自不同数据源的陨石坑样本数据库,研究了数据源对网络模型泛化能力的影响,提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上,提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证,构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率,在同源验证集上识别率可达0.985,在异源验证集上识别率可达0.863,并且有效改善了目标检测时检测框冗余及误检测的问题。