FLOLS误差源建模与仿真研究

菲涅尔光学助降系统(FLOLS)是典型的舰载机光学着舰引导系统。分析了影响FLOLS着舰引导精度的指示误差源和光学误差源,包括稳定平台跟踪误差、光源位置与理想着舰点位置偏差、光源温度、飞行员视觉误差,研究了FLOLS相关系统的工作原理和着舰引导误差的产生机理,建立了各误差源的数学模型。通过对FLOLS着舰过程进行重复仿真,使用标准偏差统计方法,得到各着舰引导误差的统计特性,进而得出各误差源影响着舰精度程度比较。     

柔性空间结构选频二阶保结构平衡降阶

利用传统的一阶选频内平衡降阶方法进行降阶时,不但破坏了原二阶系统动力学结构,而且降阶过程中的选频Gramian矩阵的求解计算量大、数值稳定性差.利用解耦模态坐标的二阶柔性空间结构(FSS)方程的特殊性,给出了可控和可观Gramian矩阵的选频闭合解析解.为了将FSS动力学模型在指定频段进行降阶并保留原系统的二阶动力学结...     

一种基于降调频的宽带LFM信号DOA估计算法

传统的宽带LFM信号DOA估计算法,是直接对信号进行估计,为满足采样定理,需要很高的采样频率,数据量和运算量巨大。针对这一问题,提出一种基于降调频的宽带LFM信号DOA估计算法,采用基于改进谱形熵的自适应降调频技术,通过若干次降调频,将宽带LFM信号带宽降到接收机可以处理的范围内,再利用窄带LFM信号DOA估计算法估计...     

改进高斯混合粒子滤波的纯方位目标跟踪算法

针对纯方位跟踪系统非线性较强、传统跟踪滤波方法收敛速度慢且容易发散的问题,提出了一种基于改进高斯混合粒子滤波的纯方位跟踪算法。该算法基于Sigma点卡尔曼滤波(SPKF)和粒子滤波的特点,用有限的高斯混合模型来近似后验状态密度、系统噪声和观测噪声的分布。利用贪心EM算法实现模型的降阶,一定程度上克服了EM算法假定混合成分数为已知、迭代的结果需要依赖初始值、可能收敛到局部最大点和可能收敛到参数空间的边界的缺点,从而改善粒子枯竭的问题。仿真实验结果表明在纯方位跟踪领域,与传统粒子滤波(PF)和基于EM的高斯混合粒子滤波相比,该算法在保持高精度估计能力的同时,具有较强的鲁棒性,是解决非线性系统状态估计问题的一种有效方法。     

一种基于CFD的叶轮机非定常气动力组合建模方法

为了获得一个准确高效的非定常空气动力学模型并将其应用于叶轮机叶片颤振特性分析中去,论文发展了一种基于CFD方法的叶轮机非定常气动力组合建模方法,可以快速计算叶轮机叶片在等相角差振动时的气动阻尼系数。运用小扰动流场的叠加原理,通过不同通道数模型的非定常流场求解(通常需要两次或三次),针对流场的周期性边界条件,组合分析得到一系列更多通道数情况下的非定常气动力低阶模型。基于这种降阶模型计算的气动阻尼系数与直接的CFD方法计算结果吻合很好,计算效率提高10倍以上。     

共形相控阵信号处理技术研究

该文主要讨论共形相控阵列的天线方向图合成以及杂波中慢速运动目标的检测问题.文中从建立共形阵列的空间导引矢量入手,首先研究了共形阵列的低旁瓣加权技术,给出了基于能量迭代法和交替投影方法的权值计算方法;接下来讨论了采用空时自适应处理技术抑制杂波、检测目标的问题.建立了共形阵列杂波模型,给出了最优权值以及输出信干噪比的计算方法,最后讨论了共形阵列降维处理算法的实现问题.     

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

基于本征正交分解的平流层风场建模与预测

平流层风场环境对临近空间低动态飞行器设计和轨迹控制具有重要影响。针对平流层风场建模,提出一种基于本征正交分解(POD)的风场数据降阶方法,在此基础上,提出一种可以对平流层风场进行预测的Fourier模型。以长沙地区2005—2009年风场为例,采用提出的POD方法与Fourier预测模型对风场进行建模与预测,并对Fourier预测精度进行分析。研究结果表明,采用POD方法可以对东西方向风场进行高效率高精度降阶建模;通过Fourier预测模型可以对东西方向风场进行准确预测,预测精度与实际风场随时间变化的规律性有关,风场数据越紧凑,周期性越明显,预测精度越高。