基于证据推理的激光惯组最优维护方法

为解决激光惯组存在的故障样本获取困难和监测维护周期不合理等问题，采用一种融合多元信息的性能评估方法对激光惯组的性能进行评估。首先，综合考虑了惯组指标信息的权重和可靠度，基于证据推理融合多元信息得到激光惯组性能评估结果。其次，根据性能评估结果，通过维纳过程预测综合考虑激光惯组的监测维护成本和性能设计要求，在满足性能状态要求前提下以单位时间内期望维护成本最小为目标，确定最优维护时机。最后，使用某型号激光惯组进行了实验验证，说明所提出的方法的有效性。     

DEA方法在项目厂址选择中的应用

厂址选择是项目建设的重要环节。通过建立方案评价模型,将数据包络分析(DEA)方法应用于项目厂址选择。引入天然气净化厂厂址选择实例,拟定投入、产出因素,利用Matlab对模型进行求解,通过对运算结果的分析,确定最优方案,说明模型及方法的有效性。     

9000m顶部驱动钻井装置结构选型研究

为大幅提高钻井效率,针对9 000 m钻井深度对顶驱的设计要求,通过比较顶驱装置关键部分几种典型的结构,提出适合该型号顶部驱动钻井装置的最优结构形式,为后续9 000 m钻井深度顶部驱动钻井装置的研究提供指导和借鉴。     

内热型超声雾化溶液再生系统最优内热量的研究

基于质量守恒、能量守恒定律，建立了内热型超声雾化溶液再生系统（IH-UARS）的再生性能预测模型并进行了充分的实验验证，通过研究不同内热量下IH-UARS的再生性能及其变化规律，寻求系统所需的最佳内热量并明确其可能的影响因素。结果表明：IH-UARS系统存在最优的内热量范围，使其再生系统性能最佳；所需最优内热量随着再生溶液流量增大呈显著的对数增长，但受空气流量的影响较弱；在该研究中的标准工况下，IH-UARS所需最优内热量约为275~350 W。此外研究发现：内热量的增长有益于促进初始浓度较高的溶液进一步浓缩再生，如当IH-UARS中内热量增至800 W时，其初始浓度为36%的溶液比24%的溶液浓度增量指标改善幅度高37%。研究所得结果可对提高溶液再生性能及经济性提供积极参考。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。     

电动汽车动态无线电能恒功率充电

电动汽车充电时,且电池电量低于80％时,为了保证充电效率一般采用恒功率充电.在动态无线电能传输系统中,电动汽车的不断移动会导致发射线圈和接受线圈的互感系数变化,致使电动汽车充电不稳定.为实现恒功率充电,提出了一种基于模型预测控制(MPC)的动态无线电能传输系统(DWPT)恒功率输出的控制方法.通过对系统建立数学模型,对输出功率进行模型预测,建立最小化目标函数来获得期望输出功率所对应的最优占空比,使输出功率恒定.进行了模型预测控制的动态无线电能传输系统Simulink仿真,通过对比不同线圈互感系数下的输出功率,验证了该方法的可行性,并且通过搭建实物测得的数据也证实了该方法的可行性.     

基于UKF航迹滤波的干扰目标智能识别算法研究

针对雷达导引头末制导阶段抗干扰技术,建立了典型的距离-速度拖引干扰模型,采用无迹卡尔曼滤波(UKF),研究了基于速度、加速度、过载等指标的干扰目标智能识别技术。首先建立距离-速度拖引干扰模型,通过引入弹目相对距离、径向速度、高低角与方位角建立了系统跟踪模型。其次,给出了基于UKF实现目标跟踪与识别的滤波框架。在此基础上,以径向速度、径向加速度、角加速度与过载为评价指标,建立了目标智能识别指标体系。最后,通过典型的目标运动模型(目标跃升),对目标施加的四次距离-速度拖引干扰(两次前拖、两次后拖)进行目标识别。仿真结果表明,利用UKF滤波信息能够有效实现对距离-速度拖引干扰下的干扰和目标智能识别,仿真结果验证了该识别方法的可行性与有效性。