基于深度学习的二维翼型流场重构技术研究

基于深度学习方法的二维翼型流场重构能够克服传统风洞试验和计算流体力学模拟的缺点,在提高计算速度的同时保证计算精度。提出的深度学习方法通过模拟RANS方程对速度、压力和密度分布进行预测,最优模型可以达到平均压力、速度、密度误差为5%。该方法的单个算例计算时间约为1s,计算耗时约为常规求解器的0.66%。同时也验证了数据集大小对解的准确性的影响,随着数据集样本数目增大,解的准确性也逐步提高。为深度学习方法在计算流体力学中提供一个现实的二维流场预测应用场景,探讨了深度神经网络方法与气动领域相关问题的匹配度,后续将进一步通过精细化的几何外形表达与无损失的标签提取方法提高深度神经网络方法计算的可用性。     

混沌二相编码雷达引信研究

研究了混沌系统在二相编码雷达引信中的应用，从雷达信号波形设计的角度，研究和对比分析了四种典型混沌系统产生的二相伪随机码的各种性质，实验结果表明，基于这几种混沌模型的二相编码都具有良好的平衡性，随机性，游程性和模糊性，而这其中又以Logistic编码为最佳。根据对Logistic模型编码信号进行的模糊分析，认为在于该模型的二相伪随机编码在雷达引信波形方面具有很大的应用潜力。