钛合金表面抗激光涂层损伤特性及热效应影响研究

实验研究了钛合金和高反射型陶瓷涂层材料抗连续型激光烧蚀的损伤及温度分布特性，并从热效应影响角度对比分析了二者在抗激光损伤效果方面的差异性。研究结果表明：相比于钛合金，高反射型陶瓷涂层材料能有效增强钛合金基底抗激光损伤的能力；在同等激光功率密度辐照下，陶瓷涂层材料能有效提升钛合金基底耐受激光辐照的时间长度。实验结果表明该陶瓷涂层材料的激光损伤阈值比钛合金高约5.8倍。实验发现陶瓷涂层温升速率高于钛合金，但由于陶瓷材料具有较高的反射特性，以及良好的热吸收和热传导特性，因此能使由激光辐照产生的热量在其表面较快地扩散，而降低向基底方向传导的程度，最终提升陶瓷涂层的抗激光损伤阈值。     

基于梯度提升决策树的量子科学实验卫星光学实验预测

量子科学实验卫星在轨运行期间完成4种光学实验，地面监测人员通过遥测参数阈值判断卫星是否进行光学实验、实验类型及实验结果.这种方法需要预先设定大量阈值，并且这些阈值需要根据在轨卫星重新设定，可扩展性较差.针对以上问题，提出一种基于机器学习的光学实验判别方法，将量子科学实验卫星的光学实验监测任务抽象为机器学习中的多元分类问题，构建分类模型，利用量子科学实验卫星的真实历史遥测数据对模型进行训练，并通过真实实验计划对训练得到的模型进行验证.实验结果表明，本文提出的方法在没有专家先验知识的前提下，判别准确率达到99%，可用于量子科学实验卫星光学实验的实时监测任务.提出的基于机器学习的判别方法具有较强的可扩展性，可应用于卫星在轨运行的其他监测任务.      

求解含多个右端向量非对称线性方程组的自适应块拟最小残量IOM(q)算法

许多实际应用问题需要求解含多个右端向量的大型非对称线性方程组 ,通常是把原来方程组分成单独几个含一个右端向量的方程组 ,再用某种迭代法分别单个求解 ,而更加经济有效的方法是应用能同时产生几个迭代向量的块迭代法来直接求解。本文在 IOM(q)算法的基础上 ,提出一种求解此类方程组的块拟最小残量 IOM(q)算法 ,讨论了如何收缩掉已收敛的部分方程组以及如何从产生的块 Krylov序列中删除线性相关或几乎线性相关向量的自适应技术。数值试验表明 ,此新的自适应块算法比块 GMRES算法及其他相关算法具有更好的收敛行为、更少的计算量和 CPU计算时间 ,是求解此类方程组的一种更加经济有效的算法。     

最佳STAP的FFT共轭梯度法

提出了一种解决最佳空时自适应处理问题的快速共轭梯度迭代算法。可以用FFT实现该方法，办法是利用具有干扰协方差矩阵托普利兹块（BTTB）结构的块托普利兹矩阵。因此与对矩阵求逆的方法相比显著降低了计算的复杂性。为了说明上述方法的有效性，本文给出了计算机仿真结果。     

劳（Lao）喷管扩张段优化设计的数值方法研究

本文建立了火箭发动机喷管扩张段优化设计（Lao喷管）的型面曲线近似作图法的数学模型，将作图法转化为等价的优化问题，并给出了优化问题解的迭代方法，最后采用泛函网络的方法对离散的数值解进行了曲线拟合，以便于数控加工的编程。     

基于TDRSS的低轨卫星定轨方法研究

利用跟踪与数据中继卫星系统(TDRSS)组成天基测控系统对低轨卫星进行轨道确定,并讨论了低轨卫星在TDRSS系统覆盖区域的时间段,以改进的Gauss-Newton算法为基础,设计了非线性迭代的微分轨道改进算法,有效抑制了算法截断误差.仿真实验证明基于TDRSS的测控技术可显著提高测控覆盖率,减少地面测控站压力,有效确定低轨卫星轨道,定轨位置误差小于20 m,速度误差小于0.01 m/s,能满足一般低轨卫星的定轨精度要求.     

微波部件微放电特性分析

着重分析了平行金属平板电极之间微放电效应发生过程.对空间微波重要部件矩形波导和方同轴线的微放电效应阈值进行了预测计算和对比.计算结果表明,在相同的空间通信条件下,方同轴线具有更高的阈值功率水平,在现代高功率微波通信中具有重要的应用前景.     

用Newton子迭代方法计算前飞旋翼粘性绕流

通过求解Navier-Stokes方程数值模拟了直升机旋翼前飞非定常流场，为了同时保证计算的时间精确性和计算效率，时间推进格式采用了双时间推进方法，在该方法中，子迭代过程由十分高效的LU-SSOR方法完成，且使子迭代过程成为Newton子迭代，空间上应用中心平均的有限体积法进行离散，为了模拟前飞桨时间的相对运动，网格布局采用了运动嵌套网格方法，应用本文方法对-悬停流场进行了数值计算，计算结果与实验吻合较好，尽管缺乏实验数据的验证，对-有升力前飞状态的数值模拟结果是可信的。     

改进的P型迭代学习控制算法

针对多输入多输出的定常线性系统的迭代学习控制问题, 给出改进的P型迭代学习控制算法, 该算法中利用最新算出的控制分量代替旧的控制分量, 这样可以加快控制输入的收敛速度, 利用该算法进行学习控制, 使系统的实际输出以更快的速度收敛于系统的理想输出.