FET振荡器注入锁相伏特拉级数分析

应用伏特拉级数法分析了电容耦合ＦＥＴ振荡系统在外加信号下的注入锁定现象，推导出输出信号和注入锁定带宽表达式。与一般非线性系统分析方法相比，伏特拉级数法在建立好系统模型后只需进行代数运算，从而避开了求解非线性，非齐次高阶微分方程的复杂过程。     

正项级数判敛法的强弱比较

研究了对数判敛法则链{k}在目前数学分析教科书中给出的诸多判敛法中的地位。     

空气动力二阶核函数辨识方法

采用截断三阶Volterra级数模型来研究空气动力二阶核函数的辨识问题,选取一簇正交化的切比雪夫多项式对二阶核函数进行参数化处理,并将非参数辨识问题转化成参数辨识问题。相比于其他方法,本文模型能有效降低对激励信号幅值的敏感程度,保证辨识出的核函数具有较好的保真度;只针对三阶Volterra降阶模型中的一阶、二阶核函数进行辨识,即可提升原系统一阶、二阶核函数的辨识精度,却不会显著增加辨识过程的工作量;参数化辨识方法属于整体性辨识,根据已有的部分数据对(输入、输出数据)就能完成系统辨识,且能达到较好的辨识精度,从而有效地减少了执行计算流体力学(CFD)代码程序的总次数,节约了大量的时间成本。算例表明,与目前流行的非参数化方法相比,本文提出的切比雪夫函数辨识方法,精度上达到预期要求,辨识过程消耗的CFD总时间量至少可降低一个数量级。     

基于Volterra级数的非线性非定常气动力降阶模型

发展了一种基于Volterra级数的非线性非定常气动力降阶模型。着重探讨了基于CFD／CSD耦合计算的Volterra核辨识方法。CFD／CSD耦合计算采用了一种简单的动网格快速生成方法，气动网格与结构网格节点间的物理信息交换采用一种改进的CVT方法。通过与CFD／CSD直接计算的结果对比，表明非定常气动力Volterra级数模型是一种效率高、精度好、能描述非线性、便于使用的降阶模型，特别适用于预测结构做非定常运动下的非定常气动力。     

英文摘要中的主位推进模式

以系统功能语法理论的主位推进模式为基本框架,以英文摘要为研究对象,探讨主位推进模式在这一语篇体裁中的应用,并统计分析英文摘要中基本的主位推进模式选择取向。     

基于发动机非线性响应的辨识线性模型方法

研究利用航空发动机的非线性响应，辩识多个基准状态下线性模型的方法。将发动机的非线性动态模型描述为Volterra级数模型，利用一种鲁棒的自适应辨识算法实现它的辩识，将模型的高阶部分去掉，就得到了发动机的小偏差脉冲响应函数模型，然后可将其转化为其它形式的线性动态模型。利用某型涡扇发动机仿真对方法进行检验，求出若干基准状态下的线性模型，对比表明，得到的线性模型比较准确。可实现利用飞参数据辨识发动机多状态的线性模型。     

识别信号对尾流激励的叶片气动力Volterra 降阶模型的影响

针对涉及动、静叶干涉的叶片气动弹性振动问题,基于Volterra级数方法,建立了尾流激励的叶片气动力降阶模型,分析了稳态条件和识别信号幅值对气动力降阶模型辨识精度的影响。结果表明:所建立的气动力降阶模型能够正确表征尾流对叶片的激励作用,不同流场稳态条件和阶跃信号幅值下气动力降阶模型的结果基本相同。     

泛函级数在导弹主翼振动分析上的应用

为了研究突风载荷对导弹主翼的垂直振动及俯仰倾角的影响,提出了对非线性动态系统做建模研究的Voherra泛函方法的任意高阶核估计方法.该方法在核理论基础上,构造线性空间,将求解Volterra泛函各阶核的问题转化为求输出观测向量在希尔伯特空间子空间上的分量,利用线性空间中向量内积的求解而间接辨识出复杂的非线性动态系统.相对于其他在时域或频域估计Volterra核的理论,该方法数学基础清晰、计算量不随辨识精度增高而增加、能够对任意高阶核进行估计,可对强非线性动态系统进行辨识,回避了计算量很大的计算流体力学(CFD).虽然对模型的喂给数据量有一定要求,但与随机和伪随机信号的随机响应法、Lee-Schetzen法和其他的统计量辨识方法比较,不需要对喂给数据量和概率分布有太高要求.通过该方法辨识出来的各阶核,可以立即得到系统的一阶幅相频响应和各阶广义频率响应.在NACA64-008A翼型加载线性扫频调幅拉伸力,将系统响应与辨识模型响应及Ijee-Schetzen法在不同喂给数据量下辨识结果做了对比和说明.     

连续变速颤振试验信号处理的递推时频分析方法

针对连续变速颤振试验信号的非平稳特点及在线分析需求,提出了一种递推时频分析方法。该方法利用自适应算法跟踪一个时变系统,从而获得具有时变系数的参数化数学模型,进而可得到信号的时变参数谱。数值仿真结果证明了该方法的可行性与优越性,低速风洞气弹模型的连续变速颤振试验验证了该方法的工程应用前景。     

基于改进粒子群算法辨识Volterra级数的目标机动轨迹预测

目标机动轨迹预测是空战态势感知和目标威胁评估的重要前提。针对传统目标机动轨迹预测模型复杂度大、预测精度低等问题，结合目标机动轨迹时间序列的混沌特性，提出一种基于相空间重构理论和Volterra泛函级数的目标机动轨迹预测模型。该模型首先采用0-1检测法验证了目标机动轨迹时间序列具有混沌特性；其次，利用C-C法确定嵌入维数和时间延迟，对目标机动轨迹时间序列进行了相空间重构；然后，引入Volterra泛函级数预测模型，为了克服高阶Volterra核函数求解复杂的难题，提出一种混沌变异自适应粒子群算法，构建一种基于改进粒子群算法辨识的Volterra级数预测模型，并将其应用于目标机动轨迹预测；最后，将所提算法与卡尔曼滤波算法以及机器学习算法进行单步和多步预测对比，同时将改进粒子群算法与其他智能算法进行性能比较。仿真结果表明：所提预测模型具有良好的单步和多步预测性能，改进的粒子群算法具有参数辨识精度高、收敛速度快的优点。