面向全疆域设计需求的某涡轴发动机核心机转子减重优化

为满足某涡轴发动机平原、高原、高寒以及海洋环境下的全疆域设计需求,综合采用尺寸优化和拓扑优化对核心机转子盘体形状进行了减重优化。首先提出了一种基于本征正交分解的径向基神经网络代理模型构造方法,通过在关键区域补充采样,在样本总数相当的前提下,提高了寻优效率,缩短了优化所需的时间。利用该方法对核心机转子盘体尺寸进行优化,优化后结构重量减轻,应力分布和强度储备更趋合理。然后采用变密度法对涡轮盘螺栓孔附近区域进行拓扑优化,得到一种带凸耳形状的螺栓孔创新构型,解决了由于优化后盘体减薄而导致的螺栓孔应力上升过多的问题。结果表明：在转子强度、寿命满足规范要求的前提下,优化后的核心机转子减重15%,满足了全疆域设计需求对转子重量的要求。     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明:得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于机器学习的单孔绝热气膜冷却效率分布预测研究

为了研究利用机器学习技术对绝热冷却效率进行直接预测的方法及特点,搭建了基于上采样卷积神经网络的机器学习模型,生成了用于训练以及验证的数值模拟数据集,使用了监督式学习的方法对模型进行了训练.训练使用反向传播算法和基于随机梯度下降的Adam优化算法,输入模型的参数包括吹风比、主流湍流强度、喷射角、孔形状、孔尺寸,模型输出为...     

通信信号调制识别综述

随着频谱信息资源愈发紧张,信号的调制处理方式也愈发多样化.由于通信信号的调制识别广泛应用于民用和军用领域,所以,对调制方式进行识别的研究具有极其重要的意义与战术价值.首先,根据大量文献,对基于最大似然函数和特征提取的经典调制识别方法进行了系统地梳理;其次,从常用数据集、深度神经网络结构和现有识别算法等方面,着重介绍了深...     

通信导航融合定位技术发展综述

详细分析了蓝牙、Wi-Fi、超宽带、移动通信网络等多种无线网络通信导航融合定位技术的发展现状,并阐述了其面临的挑战,提出了多网融合方法可以提升室内无缝高精度位置服务的可靠性。利用5G移动通信网络,与北斗/GNSS卫星导航系统结合,可以实现相互增强。最后,从天地一体定位导航与授时体系和仿生通信定位导航两方面介绍了通信导航融合定位技术的未来发展趋势。     

基于深度学习的突防控制博弈对象匹配方法CSCD

针对基于博弈理论设计应对多枚拦截弹的协同突防控制方案时需要确定博弈对象的问题,提出了一种基于长短时记忆(LSTM)网络的拦截弹攻击对象匹配方法。基于传统防空导弹飞行时序与流程构建拦截弹飞行轨迹库,以轨迹库为训练样本对LSTM网络进行训练,并以此为基础构建航迹预测模型与对象匹配模型,实现对拦截弹攻击对象的识别。仿真结果表明,该方法能够有效识别拦截弹拦截目标,为后续的巡航弹突防研究提供支撑。     

基于光纤光栅与BP神经网络的孔边裂纹监测研究

含孔金属结构的孔边裂纹监测对于保障飞行安全,增强飞机结构可靠性具有重要意义。为实现对孔边裂纹扩展的监测,进行含有孔边角裂纹的含孔铝合金板疲劳加载试验,得到含孔铝合金板试验件的a-N 曲线以及孔边裂纹扩展过程中光纤光栅应变传感器中心波长偏移量;利用包络分析法、BP 神经网络等损伤识别算法对试验数据进行处理与分析;建立能够以光纤光栅应变传感器中心波长偏移量识别孔边裂纹扩展的监测模型,并通过试验对监测模型进行验证。结果表明：此监测模型可有效识别出孔边角裂纹的扩展与穿透,对孔边角裂纹扩展长度监测的准确度达到了97.2%,未来可应用于全机地面疲劳试验、飞机结构健康监测等多种场景。     

基于兴趣划分的内容发布订阅系统关键算法

在基于内容发布订阅系统中,将订阅兴趣在多个代理之间划分是代理负载均衡的重要方法.提出了基于事件空间的K-D树划分方法.通过将事件空间划分成负载相同的区域,优化了系统负载均衡的性能.基于逻辑空间最短距离的概念提出了与划分相关的事件和兴趣路由算法以及单播和多播混和的通知路由方法.两种路由算法减少了事件匹配操作,提高了路由的效率.利用事件空间的区域合并和分裂实现了系统的自组织.实验和与相关工作比较表明,划分方法及其相关算法的引入提高了系统的可伸缩、容错和负载均衡性能.      

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

神经网络方法在太阳质子事件短期预报中的应用

在大量统计结果的基础上,深入研究了太阳质子事件预报机理．总结了质子事件爆发与太阳活动区面积、位置、McIntosh结构、磁结构以及前两天活动区爆发耀斑事件数目之间的关系．然后,在神经网络的基础上建立了太阳质子事件短期预报模型,并对2000年以后12个未参加训练的样本进行测试,结果对事件预报的准确率为83％．此外,我们还利用该模型对2002年1-4月发生的几次质子事件进行了预报试验,结果发现,这期间发生的6次事件都被预报．其中3次质子事件系统预报提前了3天,两次事件预报提前了2天,一次事件提前1天预报．