军事通信网络系统可靠性分析和链路敏感性分析

军事通信网络系统可靠性分析、仿真与评估问题,是研究军事通信网络系统效能问题的重要分支。本文提出了军事通信网络系统可靠性数值仿真及链路敏感性分析的优化计算方法,可以进行大型军事通信网络系统可靠性和链路敏感性分析。即对于大型军事通信网络系统,当给定各个链路的可靠性指标条件下,分析通信网络系统的可靠度和各个链路对通信网络系统可靠度的影响。     

联合作战目标武器弹药匹配模型

本文分析了联合作战目标—弹药匹配问题,从作战目的复杂性、武器弹药多样性、毁伤要求易变性、作战过程协同性四个方面提出了对联合作战目标—弹药匹配模型的军事需求,基于规划理论对问题进行描述并给出基本的数学模型,结合需求,对规划的目标和约束进一步细致的分析,对模型进行扩展,使其能体现联合作战的特点,方便了在不同军事上下文中有针对性地进行使用。     

军事资源匹配多目标建模与求解算法

针对军事资源匹配问题的多目标特点,建立了军事资源匹配多目标优化模型,并结合模型特点,设计了一种改进的非支配排序遗传算法对问题进行求解。最后,通过仿真算例对提出的模型和算法进行验证,仿真实验结果证明模型和算法能够有效求解多目标军事资源匹配问题。     

一种基于多目标优化的QoS路由交互式算法

为了满足通信网络中一些特定业务对于多个网络指标性能的同时要求 ,研究了一类基于多目标决策的QoS路由算法。通过选取带宽作为约束条件 ,把时延和丢失率作为优化目标 ,建立了QoS路由选择的多目标非线性整数规划模型 ,并给出了一种求解模型的交互式算法。该算法通过逐步调整目标函数的上界 ,压缩目标函数的搜索空间来满足决策者的要求和网络条件。实例计算结果表明了算法的可行性     

网络中心环境下的军事通信超网络结构模型

网络中心环境下的军事通信网络是一个多重边异构的人工功能网络。为了分析、设计和构建网络中心环境下的军事通信网络,通过扩展、综合Jeff的作战网络模型和Hans的网络兵力参考模型,提出了一种能够清晰描述网络节点功能和链路传输类型的军事通信超网络结构模型,给出了模型的数学描述,并说明基于它可将军事通信网络分解为多个具有军事特征的功能子网或专业通信网。最后通过分析某联合作战部队通信的超网络结构特征,验证了模型的有效性。     

军事通信中基于UFMC信号的峰均比抑制算法

针对5G移动通信中的通用滤波多载波（universal filtered multi-carrier,UFMC）系统中信号的峰均比（peak-to-average power ratio,PAPR）较高的问题,提出了一种改进二进制离散粒子群优化的免疫规划的部分传输序列算法（IPA-IBPSO-PTS）。该算法在IBPSO-PTS算法的基础上,采用差分算法中的变异来避免其在迭代搜索后期出现种群多样性丢失的问题,同时引入了新型免疫规划算法中的疫苗接种和免疫选择操作,进一步提升算法的全局收敛速度。理论分析和仿真表明,提出的IPA-IBPSO-PTS算法能够获得更好的PAPR抑制性能,有效地降低了军事移动通信系统的复杂度和误码率。     

第4讲 通信网络效能评估研究

文章主要围绕通信网效能评估的研究现状进行了研究对比,从系统建模到评估方案分析,其结论有助于对通信网络性能进行更为准确、直观有效的综合评估。同时,基于军事通信系统评估体系进行了评估算法的运用并给出改进方向。     

基于TOPSIS算法的防空通信网络系统效能评估

简要分析了防空通信网络系统的主要任务,建立了防空通信网络系统的效能评估指标体系。提出了利用TOPSIS算法进行防空通信网络效能评估的方法,可根据影响通信网络系统效能的指标及权重,对不同组网方式下的防空通信网络系统效能进行评估。示例表明,利用TOPSIS算法可对防空通信网络效能进行评估排序,能够为指挥员的决策规划提供参考。     

军事通信网络效能评估中的多数据源融合方法

通过分析军事通信网络效能评估数据源的特征,提出了一种融合专家经验、仿真和实测数据评估军事通信网络效能的方法。包括用信念图统一表达数据形式;以实测数据为训练样本,使用支持向量机拟合网络参数与性能指标关系模型,通过比较预测值与仿真结果获取仿真数据可信度;采用扩展贝叶斯法融合多源数据,给出了基于多数据源的军事通信网络效能评估流程;最后以评估某舰艇编队军事通信网络效能为例,给出了具体融合过程,结果表明融合多数据源的评估结果的有效性和可信性更高。     

改进的YOLOv5地面军事目标识别算法

针对战场复杂背景下地面军事目标识别算法性能较低的问题,提出一种基于并行注意力机制的PAL-YOLO地面军事目标识别算法。该算法在自建地面军事目标数据集下,对目标的锚框进行重新聚类;在网络的Backbone中加入通道-空间并行注意力机制模块,提升目标特征提取能力;通过采用Alpha＿IoU对目标识别分类器的损失函数进行改进,加速模型收敛。结果表明,改进后的算法在保证模型空间复杂度的同时,mAP值提升了6.4%,FPS提升6%。