为提高具有内埋质量升力面的颤振速度，将其简化为带集中质量的矩形悬臂板。基于假设模态法和一阶活塞理论得到颤振模型，进而考察其颤振特性。首先，基于Kirchhoff薄板理论建立矩形悬臂板的结构动力学模型，并利用假设模态法得到带内埋质量时的模态属性。其次，引入一阶活塞理论近似求解在超声速条件下的模态气动力，代入结构动力学模型得到颤振方程的时域表达。最后，通过引入指数形式的模态位移将颤振方程变换至频域并通过 法求解颤振速度和颤振频率。通过改变内埋件的位置、质量和数目等参数，得到其对超声速悬臂板颤振特性的影响规律。研究结果表明，在悬臂板前缘靠近翼梢区域内埋小质量物体可有效提高升力面的颤振速度，而在翼根附近，颤振速度对内埋质量的变化不敏感。
飞行器组件之间不可避免地存在接触热阻，接触热阻的准确获取对热结构细节设计至关重要。针对高温、高压同时作用下接触热阻测量的难题，基于静态热流法自主研制了高温界面接触热阻测量装置。该装置能够有效测得给定界面压力、最高热面温度1 500 ℃固体结构界面间的接触热阻。利用该装置，成功开展了三类热结构组件高温界面接触热阻测量试验，获得了压力、温度和界面粗糙度对结构界面接触热阻的影响规律。试验结果表明，测量装置稳定可靠、温度和压力载荷模拟精度高、试验易实施，试验结果可以为飞行器热结构设计与工程应用提供依据。
针对某发动机管路支架安装边裂纹问题，通过对支架裂纹处断口的分析，及对支架组件的静强度受力分析，明确解决失效问题。从零件设计、加工、装配3方面着手，确定失效原因为支架与管路之间存在相互作用力，支架工作时除受振动应力影响外还承受装配时引入的额外应力。因支架组件刚性较强，受力后缓冲较弱，支架弹性变形所产生的作用力会传递至孔边，易产生裂纹。设计了增加浮动结构的改进方案，其具备轴向变形补偿能力，可以大幅降低传递至孔边的作用力。经试验验证，该措施可行、有效。
为了使国内涡扇发动机满足吞雹试验验证需求，得到有效的吞雹能力验证，根据GJB241A-2010、CCAR-33R2标准中吞雹试验的相关要求，开展了涡扇发动机吞雹试验方案设计方法研究，总结了方案设计过程的经验。通过吞雹试验相关标准的内涵解析和实际应用场景分析，研究了冰雹数量、冰雹速度、发动机工作状态、撞击位置等试验参数的具体设计方法。通过研究国外相关试验中冰雹投射情况，确定了冰雹投射方案的设计和评估方法，明确了针对投射方案的仿真分析方法。以上试验方案设计方法在某发动机上得到验证，能够为涡扇发动机吞雹试验方案设计提供参考和指导。
针对无人机小目标检测中漏检率高、检测成功率低等问题，提出一种基于YOLOv5的小目标检测算法。首先，分别在backbone结构和neck结构中，融合swin transformer模块，在减少计算成本的基础上，提高目标检测的准确率，以适应无人机航拍小目标检测；其次，引入卷积注意力模块（convolutional block attention module，CBAM），以增强网络对小目标特征的关注度；最后，将原始损失函数CIoU替换为SIoU损失函数，强调高质量样本权重加速收敛，提高回归精度。实验结果表明，经过模型优化，在Visdrone2019数据集上的检测精度为35.3%，与YOLOv5相比，提升了5.2%；相较于其他经典及先进算法，SWCBSI-YOLO算法表现良好，满足针对无人机航拍小目标的检测要求。
对学习者的知识掌握水平进行追踪是智慧教育的重要研究方向之一。传统深度知识追踪方法的关注点主要集中在循环神经网络上，但存在缺乏可解释性、长序列依赖等问题。同时，很多方法没有考虑学习者特征信息及习题特征对实验结果的影响。针对以上问题，提出了一种融合习题特征信息的交叉注意力机制知识追踪模型。该模型结合知识点和习题特征信息得到习题特征嵌入模块，再根据学习者回答情况对注意力机制进行改进，得到双注意力机制模块。考虑到学习者实际做题情况，引入基于注意力机制的猜想失误模块。首先，将习题特征信息输入到该模型中，通过习题特征嵌入模块得到融合习题特征信息的学习者反应；然后，经过猜想失误模块的处理，可以得到学习者的真实反应；最后，通过预测模块得出学习者下一次回答正确的概率。实验结果表明，融合习题特征信息的交叉注意力机制知识追踪模型相对于传统深度知识追踪（deep knowledge tracing，DKT）模型，接收者操作-曲线下面积（area under curve of the receiver operating characteristic，ROC-AUC）和预测准确率（accuracy，ACC）分别提高了3.13%和3.44%，能够很好地处理长序列依赖情况，并具有更好的可解释性和预测性能。
无线传感器网络（wireless sensor network，WSN）由多个微传感器节点组成，定位技术是无线传感器网络技术的重要应用之一。目前，许多定位算法在视距（line of sight，LOS）环境下定位精度较高，但在非视距（non line of sight，NLOS）环境下的定位精度较差。为了解决这一问题，提出一种改进的基于到达时间的最大熵模糊概率数据关联算法。采用分组的思想将N个测量值分为L组，每组通过交互式多模型（interactive multi model，IMM）算法获得相应的移动节点位置估计、模型概率和协方差矩阵。然后将得到的L个位置估计，通过验证门进行非视距检测，丢弃被非视距误差污染的位置估计，利用相应的关联概率对正确的位置估计进行加权得到最终的位置估计。仿真和实验结果表明，与现有方法相比，该算法可以减轻非视距误差的影响，实现更高的定位精度。
针对目前基于深度学习的输电线路目标检测存在的小目标特征提取能力较差、易出现误检漏检、检测精度较低、检测速度较慢等问题，提出了一种基于改进深度学习神经网络模型YOLOv7的目标检测方法。首先使用MobileNetV2网络作为YOLOv7的特征提取部分，实现模型的轻量化处理；其次引入注意力（coordinate attention，CA）机制和空洞金字塔池化（atrous spatial pyramid pooling，ASPP）模块来提高模型的精度和感知能力；最后利用建立的输电线路障碍物数据集来训练改进的YOLOv7网络模型，并与原有YOLOv7网络模型进行对比。结果表明，算法在准确率、召回率上显著提升，可满足复杂场景下的输电线路故障检测，更利于模型的嵌入式系统硬件实现。
由于航空事故具有致因机理复杂且致因因素较强的灰色特性，传统的灰色预测模型只适用于单变量预测且具有预测精度低的缺陷。基于此，提出一种以遗传算法优化的多变量灰色模型开展航空安全预测的方法。首先，以航空事故致因理论为基础，从SHEL模型的角度运用鱼骨图确定航空安全影响因素，并以相关系数矩阵可视化图形进一步筛选关键致因因素；其次，构建以人为因素、环境因素、设备设施因素、外来影响因素等为强输入指标的多变量灰色模型，并利用遗传算法对模型的待定参数r全局搜索最优解；最后，以2007-2016年中国民用航空器事故征候万次率和航空不安全事件统计为对象进行仿真实验，并利用GM（1，1）和MGM（1，n）两种灰色预测模型进行预测对比。结果表明：提出的方法与传统的灰色模型相比，在短时间的航空安全预测中平均预测误差约为1.6%，验证了该方法的有效性和较高的预测精度。
研究了带时间窗多车场车辆路径问题（multi-depots vehicle routing problem with time windows，MDVRPTW），建立MDVRPTW模型，设计了结合混合高斯模型（Gaussian mixture model，GMM）聚类算法的自适应大邻域搜索（adaptive large neighborhood search，ALNS）算法。通过在邻域变换前将客户集进行分类，优化初始解，提高算法运算效率。算法使用6种不同变换因子，采用得分系统对变换因子进行评价，使算法能够在迭代的不同阶段自适应地选择合适的变换因子。分析了参数设置值的合理性，设计了3组仿真实验，实验结果验证了算法的高效性。
