摘要：以小展弦比飞翼布局飞机为研究对象,其本体的优化增稳控制器由3个气动舵面(连续控制面)构成.为增加操纵能力,基于神经网络设计了主动涡流(bang-bang型控制面)优化控制器.为加快网络的训练速度和收敛精度,采用三层反馈神经网络,通过改变每层网络权重和隐层神经元单元个数对网络进行优化.最后给出了增加主动涡流控制器的飞机闭环系统的响应结果.与仅采用气动舵面闭环响应结果的对比仿真表明,增加主动涡流控制器后闭环系统可获得更好的响应特性,系统达到稳态的时间和所需气动舵面的控制量均明显减小.

摘要：围棋人工智能AlphaGo系列算法是人工智能发展历史中的重要里程碑事件。它们不仅成功地求解了以围棋为代表的完全信息博弈问题,而且具有更加广泛的适用性。依算法的发展历程,从基本原理与技术特征方面对AlphaGo Fan到MuZero的一系列算法进行了梳理,说明了AlphaGo系列算法的落子原理,阐释与对比了其中采用的关键技术:蒙特卡洛树搜索和深度神经网络的建模及训练。AlphaGo系列算法对解决实践中的其他重要问题,从算法设计、神经网络建模到模型利用等方面都具有重要的参考意义,本文的总结有助于快速地掌握这些算法的基本原理,从而为相关算法的研究与拓展提供有益参考。

摘要：飞行器气动数据的来源主要有风洞试验、数值模拟、飞行试验三种方式。受试验和模拟能力的限制,任意一种单一手段都难以准确地对飞行器全飞行包线进行覆盖。为弥补各种数据的“缺陷”,提出并实现了两种数据融合算法:一种是依据不确定度作为权值参考,进行加权融合的加权融合算法,利用高斯过程回归算法获得不同来源气动数据预测值的特征,并进行加权融合;另一种是基于模型的CoKriging融合算法,利用CoKriging算法直接建立融合模型。并以某型飞行器气动数据为例进行了对比分析。结果表明:使用单一精度数据建模时,在一定的范围内,样本数据越多,覆盖的设计变量空间越广,精度越高;与单独使用一种精度数据的建模算法相比,两种融合算法预测结果的精度都有较大的提高;相比于基于不确定度的融合算法,使用CoKriging算法建模得到的结果精度更高,提高了近一个数量级。融合数据对于提高数据精度和增强模型预测能力上有重要作用,在参数变量空间内,融合数据能够对高精度数据进行内填补充,同时在参数变量空间外的融合数据能对数据的变化趋势预测提供参考。

摘要：为增加小展弦比飞翼布局飞机横向控制效能,设计了可提供飞机滚转力矩的涡流控制方案,在此基础上研究了三角翼前缘非对称垂直喷流对前缘涡破裂位置和结构的影响。应用三维任意坐标系下的雷诺平均N-S方程数值模拟方法和Spalart-Allmaras方程湍流模型,对小展弦比飞翼布局飞机前缘非对称喷流及无喷流情况下的绕流进行了研究分析。结果表明:与无喷流情况相比,喷流速度、喷口压力、飞行迎角的不同造成了涡破裂点的改变以及涡的强度和涡轴位置的变化,这些因素最终引起流场变化,并产生不对称力和力矩;喷流产生的直接力和力矩与飞行状态无太大关系;垂直喷流在进行横向控制同时产生较小的偏航力矩,对阻力的影响也较小。

摘要：以过失速重新定向技术为基础的自翻转越肩飞行器与传统越肩发射飞行器相比,具有响应时间短、机动性能高、射程远等优势。本文针对飞行器过失速重新定向机动过程,基于CFD动态计算数据分析了该过程中的飞行器气动特性,通过改进微分方程模型成功描述了机动过程中的迟滞环效应,同时验证了最小二乘支持向量机方法在此建模问题中的适用性。本文的建模方法可以准确捕捉飞行器过失速重新定向机动过程中的非线性非定常气动特性,为飞行器过失速重新定向机动控制律设计提供模型基础。