新型挠性支承结构及其加工方法

在分析现有几种挠性支承结构和加工方法的优缺点的基础上，研究了一种新型的挠性支承结构并在充分分析这种结构的优点后，提出了针对这种结构的切实可行的加工方法。此外还讨论了这种加工方法所存在的问题。     

X箍缩三维数值模拟

利用FOI-PERFECT程序对X箍缩进行了3D数值模拟研究,给出了X箍缩的物理图像和动力学过程,探讨了Z箍缩中出现磁重联的可能性,并指出如果双丝Z箍缩中能够出现磁重联,那么X箍缩是更有利于磁重联出现的位形,并且,X箍缩中出现多重X射线暴的一个可能原因是z轴上多个位置出现磁重联。     

高速液体受限射流扩展形态研究

采用一种火药燃烧驱动液体喷射的新装置及其测试系统，研究受限空间中高速惰性液体射流的扩展结构。观察了环境反压、液体粘性、喷嘴结构等参量对射流扩展形态的影响，分析了射流雾化机理。研究结果对改进燃烧室设计及控制燃烧稳定性有一定的指导意义。     

船用惯性导航系统姿态测量误差辨识及其补偿方法研究

本文分析了某型号船用惯性导航系统（ＳＩＮＳ）的试验数据，结果表明，ＳＩＮＳ的姿态误差主要来源于水平测姿传感器。据此，本文对该ＳＩＮＳ水平姿态测量误差的辨识及其补偿方法进行了研究，并建立了水平测姿误差的回归数学模型，以提高ＳＩＮＳ姿态精度     

MIMU/GPS组合导航系统研究

根据智能交通对车辆导航和定位的要求，研究了MIMU与GPS松散组合导航系统，以速度、位置作为观测量设计了Kalman滤波器。为了验证系统的性能，利用MIMU实验室测试数据和GPS仿真数据对该组合导航系统进行了半物理仿真，分别给出了纯MIMU、组合导航系统及GPS信号短时间丢失时的位置误差仿真曲线。分析结果表明组合系统具有良好的长期工作精度，能够满足车辆导航和定位的要求。     

静电陀螺捷联系统姿态初始对准研究

静电陀螺是构成捷联系统的理想惯性元件。与速率陀螺相比，静电陀螺捷联系统姿态初始对准有其相应的特点，通过陀螺传感器敏感转子极轴与壳体座标系之间的方向余弦和加速度计的输出信息获取载体的姿态角。由于极轴在惯性空间稳定的特点使静电陀螺捷联系统在姿态初始对准时可应用天文导航原理。基于此，本文用天文导航算法对静电陀螺捷联系统姿态初始对准原理进行了探讨，并分析了陀螺漂移、陀螺传感器测角误差和加速度计观测误差对姿态初始对准精度的影响。所得结论对静电陀螺捷联系统的理论和应用研究有参考意义。     

静电陀螺仪MUM小角度读取的相关技术研究

讨论了同步解调法实现静电陀螺仪质量不平衡调制（MUM，Mass-Unbalanced Modulation）小角度读取的原理，分析了影响读取分辨率的各种因素，并对其实施方案中的相关技术进行了探讨。研究表明，尽管MUM读取方案非常适用于实心转子静电陀螺仪，但前提是将其小角度读取的分辨率提高到可与光电方法相比的水平（角秒级）。要实现这一目标，首先要保证转子和电极的机械特性达到一定要求；在此基础上，还要在支承系统的结构、转子位移测量电路设计等方面进行精心设计。     

SOME NEW FAMILIES OF FILTRATION FIVE IN THE STABLE HOMOTOPY OF SPHERES

This study proves a general result on convergence of α2x ∈ ExtA^s＋2.tq＋2q＋1 （Zp, Zp） in the Adams spectral sequence and as a consequence, the study detects some new families in the stable homotopy groups of spheres πtq＋2q-4S which is represented in the Adams spectral sequence by α2fn,α2fn,α2huhmhn ∈ ExtA^5,tq＋2q＋1（Zp,Zp） with tq=p^n＋1q＋2p^nq,2p^n＋1q_P^nq,p^uq＋p^mq＋p^nq,respectively, where α2∈Extα^2,2q＋1（Zp,Zp）,fn∈ExtA^3,p^n＋1q＋2p^nq（Zp,Zp）,fn∈ExtA^3,2p^n＋2q＋p^nq（Zp,Zp）,hn∈ExtA^1,p^nq（Zp,Zp）and p≥5 is a prime,q=2（p=-1）,n≥2.     

采用GAF-D3Net深度学习网络的水下目标有源识别方法

提出一种基于格拉姆角场(GAF)和卷积神经网络(CNN)的水下目标有源识别方法。该方法利用GAF将目标回波信号编码为二维图像,使用空洞卷积构建轻量级的卷积神经网络GAF-D3Net实现对目标的特征提取与分类识别。实验表明,与基于传统图像特征的分类方法相比,所提方法的分类精度有显著提高,达到99.65%。在泛化性测试中,对比了经典CNN使用声呐图像的迁移学习方法,本文方法的曲线下面积(AUC)达到89%,具有更好的泛化性能以及抗干扰能力,为实现水下目标有源识别提供了一种可靠方法。