紧有限交换半群上概率测度合成收敛序列的一些性质

文中研究定义在紧有限交换半群上的概率测度,同时研究它们的合成收敛序列的性质。所得到的三个主要定理类似于紧群上的结果。因此,文中的结果具有更大的广泛性。     

嵌入式大气数据传感系统的改进算法

简要介绍了嵌入式大气数据传感系统及其空气动力学模型,提出了求解动、静压和修正参数的改进算法.改进算法首先应用Moore-Penrose广义逆矩阵对非线性方程组进行简化.然后采用改进迭代算法和BP神经网络求解动、静压和修正系数.改进算法在精度、可靠性和实时性上都能满足系统的要求.应用BP神经网络,达到系统要求的精度所需要的计算时间只相当于原有算法的5%,具有更大的实时性优势.     

一种新的自由涡尾迹计算方法

在使用自由涡理论进行旋翼气动计算时,尾迹几何结构的确定是计算旋翼气动载荷以及空间流场计算的关键。发展了一种新的自由涡尾迹结构计算方法,该方法能快速得到收敛的尾迹结构,能比较准确地计算桨叶载荷分布。算例与实验数据的比较验证了该方法的正确性。     

珠三角机场群协同发展定位分析

目前我国各区域机场群内各机场功能定位趋同化严重,严重的同向定位导致各机场之间恶性竞争。尤其是地理位置相距较近的机场,旅客有多种选择。各个机场开辟相似的航线结构,都趋于构建大中型航空枢纽。以珠三角机场群为例,从旅客运力的角度构建趋同模型,提出趋同系数评价方法,对各机场进行区分定位。实行梯度定位,使该机场群内各机场之间协同发展,避免不必要的航线网络竞争,同时能够减轻空中交通管理的巨大压力,进一步促进航空运输的良性发展。     

考虑驾驶仪动态特性的固定时间收敛制导律

针对打击机动目标的制导问题,设计了一种同时考虑攻击角度约束、自动驾驶仪动态特性和固定时间收敛的新型制导律。首先,基于非奇异终端滑模控制和固定时间稳定性理论,采用反步递推方法设计制导律。在制导律设计过程中,设计了一种固定时间收敛的非奇异终端滑模面,基于固定时间控制和滑模控制,设计虚拟控制律,构造一种非线性一阶滤波器解决传统反步设计中的"微分膨胀"问题。基于超螺旋算法和固定时间稳定性理论,设计了一种固定时间收敛的滑模干扰观测器,用于估计目标机动等干扰。然后,基于Lyapunov稳定性理论,对制导律的固定时间稳定性进行了证明,并给出了收敛时间的表达式。最后,通过仿真分析,验证了所提制导律的有效性,和现有制导律相比,所提制导律具有较高的制导精度和角度约束精度、较快的系统收敛速度以及较少的能量消耗。     

FDTD算法中的时空匹配问题及其解决方法研究

 分析指出了目前FDTD算法中的数值收敛条件破坏了其中的实际物理关系，导致了时空不匹配问题的存在，从而造成计算过程中计算量的激增和计算效率的低下，限制了FDTD算法在飞机的RCS目标特性分析过程中的实际应用。提出了对于FDTD算法进行改进的新方法，同时保证了算法中的内在物理关系和计算的收敛性，提高了计算效率和实用性。应用改进后的FDTD算法进行了简谐波在一维多层介质中的传播仿真和全反射理想基底多层介质的传播仿真，所得计算结果与理论分析结果完全吻合。同时根据仿真结果得到了电磁波在多层介质传播中的几个规律。     

低马赫数流动中的预处理Euler方程的收敛特性

对预处理后Euler方程在低马赫数流动数值模拟中的收敛特性进行了细致研究。首先采用量级分析法研究了Weiss-Smith预处理方法对低速情形下Euler方程收敛性的影响;然后针对低速情形下预处理后的Euler方程组中各方程的收敛性,提出了一个改进的预处理矩阵。数值模拟结果表明：Weiss-Smith预处理方法可以很好地改善Euler方程在低速流动时的收敛特性,并且改进后的预处理矩阵在连续方程的收敛特性方面效果明显。     

求解航空发动机非线性方程组的变步长牛顿法

详细分析了航空涡轮发动机部件共同工作的非线性方程组的求解收敛性问题,并对计算中常见的迭代不收敛问题的机理进行了研究总结。针对常见的不收敛问题,提出了以传统牛顿迭代法为基础的变步长牛顿法加以解决。采用变步长牛顿法后,对某型定几何单轴涡喷发动机进行了一系列的验证计算,计算结果表明计算收敛性得到较大幅度的改善。变步长牛顿法对改善发动机总体性能计算收敛性具有很好的参考价值。     

关于一类凸约束非光滑最优化问题的信赖域算法

本文将一类求解具有凸约束光滑非线性规划的信赖域算法推广到非光滑情形，并且仅要求目标函数是局部李普希兹的。在每次迭代中，都在信赖域上求解一个带有目标函数一阶和二阶信息的子问题，并且一阶信息是一个不明显依赖于次梯度或方向导数的迭代函数，并证明了该算法的全局收敛性。     

基于分布式深度学习的多星计算卸载策略

在边缘计算增强的低轨卫星网络场景下,低轨卫星集群协同处理地面任务能有效降低用户响应时延。对卫星集群的联合卸载决策和资源分配优化问题进行研究,将其描述为一个混合整数规划问题,并采用了一种基于分布式深度学习算法的卫星边缘计算卸载算法（deep learning based offloading algorithm,DLOA）。该算法使用多个并行DNN用于生成卸载决策并采用经验回放存储新生成的卸载决策,当采用隐藏层结构不同的DNN,收敛速度比同构DNN提升18%,收敛值与最优值的比值基本为1,可以认为已收敛至最优。此外,探讨了DNN的数量对所使用的算法的影响,仿真结果表明采用少量DNN就可以获得近优的收敛效果。通过对不同任务规模下采用不同算法的任务完成率进行研究,结果表明DLOA算法可通过采用异构DNN和优化资源分配方案显著提升完成率,其较单星运算方案任务完成率提升1倍,较二进制粒子群算法方案提升20%。