基于深度学习的小样本声目标识别方法

声目标分类识别是声源识别领域的核心问题,然而,在应用深层神经网络进行声目标分类识别时,从少量样本中学习(样本复杂度较低)是一个具有挑战性的问题;针对此问题,提出了一种基于深度学习的小样本声目标识别方法,该方法将手工设计特征和对数梅尔声谱特征结合到一起,扩充了深度学习模型的可利用特征量,提高了声信号识别效率和精度;在实验验证中,该方法在测试集上实现了87.6%的识别精度;更进一步地,用较少量的训练样本对该方法和其它几种主流的深度学习模型的性能进行了比较验证,结果表明,该方法只需要更少量的数据即可实现同样的识别精度,在声源探测领域具有一定应用价值。     

基于时窗熵的冲击波到时提取方法研究

针对冲击波超压场大区域、全过程重建的需求,开展冲击波到达时间的高精度提取方法研究,首先,分析了STA/LTA的冲击波到达时间提取模型,其次结合信息论理论提出了基于时窗熵的冲击波到达时间提取方法,再次通过仿真实验比较了不同噪声条件下本文的到达时间提取精度,对比了两种方法在同一噪声条件下的提取精度,分析结果表明本方法的提取精度在不同噪声条件下基本保持在0.77%,在低信噪比条件下,本方法的提取精度高于STA/LTA约6%,保证了低信噪比条件下冲击波到达时间的提取精度,解决了STA/LTA方法对于信号变化幅度小而发生漏拾的情况,避免了不必要的提取误差,实现了更高精度的冲击波到达时间的提取具有更高的提取精度,能够为大区域的冲击波超压场高精度重建提供有效的到达时间特征参数,在高价值弹药毁伤效能参数中具有一定的理论意义和工程使用价值。     

基于X射线数字成像技术的航空 发动机的无损检测技术实现

为实现在航空发动机整机试验中对发动机内部结构和间隙的监测和测量,提出了应用X射线数字成像技术进行实时地无损检测;首先简述了X射线技术的基本原理和特点;介绍了X射线数字成像技术的系统组成.通过对试验中得到的图像进行处理和分析,获得准确的检测结果,为发动机设计试验提供支持和依据.