含攻击角约束的网络化弹药分布式模糊协同制导律

在舰炮网络化弹药打击近岸机动目标的末制导段,提出了一种考虑攻击角约束的有限时间分布式模糊协同制导律.构建网络化弹药–目标相对运动模型,设计扩张状态观测器估计目标的切向、法向加速度.在视线切向,为保证命中时刻在有限时间内趋于一致,采用积分滑模设计分布式有限时间协同制导律;在视线法向,为在有限时间内零化视线角误差、视线角速率并改善控制指令终端发散现象,采用非奇异终端滑模设计两阶段制导律.为削弱控制指令抖振、补偿干扰,设计模糊自适应系统,并通过Lyapunov理论证明了全系统状态的一致最终有界性与有限时间收敛性.仿真实验表明:该制导律使网络化弹药在打击机动形式不同的目标时,均具备较好的协同制导性能.     

火炮连续射击过程中对动态误差变化的补偿方法研究

阐述了火炮在连续射击过程中，由于系统转动惯量的变化，会产生很大的负载力矩，对系统产生一系列的冲击，影响了系统的射击精度与稳定性、分析了动态误差产生的主要原因，并提出了通过对干扰力矩进行补偿来提高性能的方案．仿真结果表明了该补偿方法的有效性和可行性。     

基于深度卷积变分自编码网络的故障诊断方法

机械传动部件的健康状况影响设备的正常运行,针对齿轮、轴承等传动部件的故障诊断,传统的诊断方法是依靠人工经验提取和选择故障特征,然而,特征选择的优劣直接影响诊断效果。结合深度学习在特征提取和处理高维数据方面的优势,提出一种基于深度卷积变分自编码网络(DCVAEN)的故障诊断方法。该方法利用频谱数据训练深度神经网络,能减少特征提取对人工经验的依赖和信息的损失,在网络中加入了变化的噪声和调整学习率,使得网络隐层提取判别性的故障特征,能满足多故障和变工况的诊断。利用自吸式离心泵数据和西储大学轴承数据进行分析验证,实验结果表明,所提方法能更准确、更稳定地识别传动部件的各种故障,具有较强的泛化能力。     

基于直接法的视觉同时定位与地图构建技术综述

视觉同时定位与地图构建（V-SLAM）在机器人、无人机导航、自动驾驶等领域有着广泛的研究。直接法V-SLAM基于环境亮度不变性假设,跟踪相机的位姿并构建环境地图。针对直接法V-SLAM,首先简述其基本原理;然后分析、比较几种具有代表性的直接法V-SLAM系统;最后讨论直接法的优缺点和发展趋势,并进行了总结和展望。     

基于物元分析的火炮身管性能评价

火炮身管的性能影响弹道性能，并最终影响作战效能，以物元分析理论为手段，对火炮的身管性能进行了综合评价。在身管性能的物元评价模型中，评价指标的选取是一项重要的基础工作，对火炮身管性能进行了认真分析，提出了评价身管性能的指标（初速，膛压，射击精度和有无早炸、瞎火及近弹现象），进一步确定了这些指标对3个评价等级的经典域和节域，通过计算待评物元对评价等级的关联度，来评价身管性能。通过对某型舰炮身管性能的实例计算验证了模型的正确性。     

AK－176M单76mm舰炮输弹机构分析

介绍了AK－176M单76mm舰炮输弹机的结构原理，建立了输弹过程的运动方程，对测得的数据进行了分析计算，其计算结果可和为产品研仿的重要依据。     

基于模糊推理的舰炮故障检测方法研究

基于模糊推理知识和模糊神经网络的理论，根据舰炮运转时发出的声音信号，提出了舰炮系统的故障检测诊断方案，详细介绍了信号提取的方法和故障分析的算法。     

非均衡小样本条件下基于SAE - ACGANs的复杂 供输机构故障诊断方法EI北大核心CSCD

非均衡和小样本问题是制约深度学习技术在复杂供输机构故障诊断领域中应用效果的关键因素。为克服传统深度学习方法难以获取小样本数据内在分布和传统非均衡数据处理方法未考虑类别信息均衡化的缺陷,提出一种基于稀疏自编码辅助分类生成式对抗网络(sparse autoencoder auxiliary classifier generative adversarial networks,SAE-ACGANs)的复杂供输机构故障诊断方法。首先,对供输机构振动信号进行连续小波变换(continuous wavelet transform,CWT),得到反映信号时频特征的二维时频图;然后,运用稀疏编码器提取图像特征,并与类别信息融合为隐变量,强化其表征与图像所属类别相关特征的能力;生成器将融合隐变量映射为与真实样本分布类似的生成样本,从而扩展训练数据集;判别器从扩展数据集中挖掘有效的深度特征,并实现样本真伪和类别的判断;最后,通过优化后的生成器和判别器对抗学习训练机制,相互交替优化以达到纳什平衡,提高方法在非均衡小样本条件下样本生成质量和故障判定能力。复杂供输机构台架试验研究结果表明:SAE-ACGANs框架可以充分学习输入样本的内在分布和深度特征,相较于原ACGANs框架提升了判别器的性能,实现了模型收敛速度、训练精度和稳定性的提升;相较于传统非均衡数据处理算法,模型有效改善多数类分类偏好的影响,对于少数类故障样本的识别能力大幅提升。