基于Adaboost的填充式防护结构超高速撞击损伤预测

填充式防护结构的显式弹道极限方程在对弹丸进行超高速撞击损伤预测时,由于填充材料、填充方式的不同,会导致预测结果与实测数据存在一定偏差。对此,采用机器学习方式将该问题转化为二分类问题,以碰撞过程中的弹丸撞击参数、防护结构参数作为分类特征,构建了基于Adaboost的填充式防护结构超高速撞击损伤预测模型。该模型以分类回归树（CART）作为弱分类器,通过对一系列弱分类器的加权组合生成强分类器,并通过对训练样本的循环使用,实现了小样本集下的撞击损伤预测。实验结果表明,建立的Adaboost预测模型对填充式防护结构的超高速撞击损伤具有良好的预测效果,总体预测率与安全预测率相比于NASA的弹道极限方程均提高了14.3%,具有更强的通用性。通过不同训练样本规模下的交叉检验,证明了该模型具有良好的鲁棒性与准确性。      

星载观测平台的视线误差分析

为分析星载观测平台各项误差源对视线测量精度的影响,研究了一种基于多参量的视线测量误差建模与评价方法.不同于以往卫星、相机的空间测量方式,针对卫星、转台、相机的观测结构,构建了从惯性空间到光学传感器像平面的目标成像模型及星载观测平台视线测量模型.通过推导星载观测平台视线测量误差与观测中13项误差源的关系,提出一种基于灵敏度分析的误差评价方法,并在三个轴向上分析了各项误差源对星载观测平台视线测量精度的影响.利用蒙特卡罗仿真试验验证了理论模型的有效性.结果表明,卫星轨道误差、卫星姿态误差、载荷平台角振动误差、内外框架转动误差、像平面目标像点的位置量化误差是影响星载观测平台视线测量精度的主要因素.该方法能够科学评估各项误差源对星载观测平台视线测量精度的影响,对星载观测平台的总体设计具有重要的应用价值.