-
题名考虑低能电子影响的二次电子修正模型
被引量：4
- 1
-
-
作者
彭凯
李晶
张颖军
苏晨
崔万照
-
机构
中国空间技术研究院西安分院空间微波技术重点实验室
中国文昌航天发射场指挥控制中心
-
出处
《中国空间科学技术》
EI
CSCD
北大核心
2017年第2期32-38,共7页
-
基金
国家自然科学基金(U1537211
11605135)
-
文摘
随着微放电效应研究的不断深入,低能电子影响在微放电过程中越来越不可忽视。当前常用的微放电模型在处理低能电子问题上具有一定的局限性,为了精确模拟这一过程,在深入研究二次电子和背散射电子发射理论的基础上,分别针对材料表面条件不同引起的二次电子发射系数不确定性、低能电子的背散射系数以及电子入射角等问题进行了分析和讨论,并在此基础上建立了一个二次电子发射模型,最后通过数值计算讨论了模型的正确性和适用范围。这一模型同时考虑材料表面条件参数、低能电子的背散射系数以及入射角等因素影响,能够兼容较低能量电子的二次发射,提升微放电数值模拟的精确度和适用性,为微放电数值模拟的发展起到推进作用。
-
关键词
微放电效应
低能电子
二次电子发射模型
背散射电子
入射角
-
Keywords
multipactor
low-energy electron
secondary electron emission model
backscattered electron
the angle of incidence
-
分类号
TN011
[电子电信—物理电子学]
-
-
题名基于DRNet的常微分方程模型逼近和序列预测方法
- 2
-
-
作者
李阳
杨亚莉
钟卫军
-
机构
空军工程大学基础部
文昌航天发射场指挥控制中心
宇航动力学国家重点实验室
-
出处
《空军工程大学学报》
CSCD
北大核心
2022年第5期83-89,共7页
-
基金
国家自然科学基金(11902362)
空军工程大学基础部研究生创新基金。
-
文摘
针对残差网络预测精度偏低的问题,基于系统观测数据和相轨线的关系,提出密集残差网络的方法实现对自治系统的拟合逼近和序列的高精度预测。首先,为强化对数据内含“特征信息”的提取和流通使用,将神经网络各隐藏层的输入与之前各层输出拼接后作为本层的输入,形成密集连接模块;其次,为避免加大网络深度时出现的“退化”现象,引入残差机制,将密集连接模块的输入层与输出层相连,形成密集残差网络。最后,将密集残差网络应用于线性的单自由度系统振动模型和非线性的SEIRS模型、Logistic-Volterra模型。结果表明,在规模为5000和10000的数据集上,密集残差网络对模型的拟合逼近效果和预测精度优于残差网络、反向传播神经网络和密集网络,特别是在非线性系统上的4项定量评价指标均优于对照模型,表现出密集残差网络对自治系统模型逼近和序列预测的高有效性;同时,在观测数据中加入5%的噪声后,密集残差网络表现出较好的抗干扰性。
-
关键词
深度学习
密集残差网络
序列预测
模型逼近
-
Keywords
deep learning
DenseResNet
series prediction
model approximation
ResNet
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
O175.1
[理学—基础数学]
-
-
题名迁移学习下的火箭发动机参数异常检测策略
被引量：7
- 3
-
-
作者
张晨曦
唐曙
唐珂
-
机构
中国科学技术大学计算机科学与技术学院
中国文昌航天发射场指挥控制中心
南方科技大学计算机科学与工程系
-
出处
《计算机应用》
CSCD
北大核心
2020年第9期2774-2780,共7页
-
基金
国家自然科学基金面上项目(61672478)
上海市科学技术委员会科研基金资助项目(19511120600)。
-
文摘
在火箭飞行时的参数异常检测中,传统红线法的漏报率和误报率较高,专家系统法的维护成本过高,而机器学习受制于数据集规模难以训练模型,因此提出了分别基于实例和基于模型的两种迁移策略。为了对YF-77新型发动机的关键参数氧泵转速进行实时监测,在分析具有相同构造原理的YF-75与YF-77氢氧发动机的参数组成和数据特点后,处理领域差异,构建特征空间,并筛选特征向量。对YF-75向YF-77分别进行了实例和模型的迁移,并进行了实验验证。对比无迁移的k最近邻(kNN)与支持向量机(SVM)方法,迁移训练后的模型的漏报率从最高58.33%降至最低12.25%,误报率从最高60.83%降至最低13.53%。实验结果验证了两型发动机之间信息的可迁移性,以及迁移学习在航天领域工程实践中应用的可能性。
-
关键词
航天测控
火箭发动机
参数异常检测
迁移学习
数据处理
-
Keywords
aerospace Telemetry,Track and Command(TT&C)
rocket engine
parameter fault detection
transfer learning
data processing
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
