基于SD的常规导弹作战体系结构优化分析

联合作战样式下,常规导弹作战体系对抗不仅包含反导系统与常规导弹的拦截与反拦截,还包括阵地防卫、电子对抗等一系列新的对抗作战样式,因此它是非常复杂的系统。用系统动力学方法对常规导弹作战体系对抗进行初步建模和仿真,为常规导弹作战体系结构优化提供一定的依据,并在仿真结果分析的基础上,定性地提出常规导弹作战体系对抗作战体系建设的目标和重点。     

Rényi信息增量和协方差联合控制的多传感器管理算法

针对目标跟踪中雷达组网场景下多传感器管理问题,结合Rényi信息增量和协方差两种算法各自特性,利用并行处理的思想提出了一种基于Rényi信息增量和协方差联合控制的传感器管理算法。在具体仿真设计环节,分为传感器跟踪能力大于目标数和传感器跟踪能力小于目标数两种场景。仿真结果表明该算法在单目标匀速、多目标匀加速等多数场景下能够对目标进行有效跟踪,同时降低了传感器的切换频率,具有更好的实时性。     

基于AT89C51的室内智能化控制系统设计

基于AT89C51单片机设计了一套不依赖智能开关,即用即加的室内智能化控制系统,通用的部分分门禁系统、智能电器、智能感知3个模块,分别以电子密码锁、ZigBee组网和红外接、发设备、各类传感器为主,旨在使用户摆脱对安防问题的困扰,方便对智能设备的使用。     

助飞鱼雷机动区域射击法攻潜能力研究

以飞航式助飞鱼雷为例,在分析助飞鱼雷攻潜过程的基础上,针对机动目标提出了在无指令修正情况下助飞鱼雷的机动区域射击法,并运用解析法对射击诸元进行解算。在建立助飞鱼雷作战能力仿真模型时,围绕捕获概率、鱼雷仿真和目标仿真等方面进行模型的构建,并采用蒙特卡罗方法进行仿真计算,分析采用机动区域射击方法时影响助飞鱼雷攻潜能力的主要因素及其规律,为更好发挥武器对机动目标的打击能力提供理论参考。     

改进遗传算法求解电力网攻击无人机分队任务分配

遗传算法因其出色的寻优能力,自提出后就被广泛用于工程技术上的最优化问题求解。根据电力网攻击无人机分队任务分配的实际需要,提出基于遗传算法思想的解决方案,并在原算法基础上,采用种群分组进化的策略进行改进。详细介绍算法的基本原理和仿真步骤,再举出实际算例进行仿真,实验结果证明算法的改进取得了良好效果。     

应用极化聚类中心设计快速自适应极化滤波器

针对传统自适应极化滤波算法存在收敛速度慢、迭代步长因子选取困难等问题,采用极化聚类中心估计理论设计了一种快速自适应极化滤波器,实现了对极化雷达回波中的干扰信号逐脉冲地自适应精确对消。滤波器通过距离单元选通获取干扰信号样本,对样本极化聚类中心的直接计算能够快速估计干扰信号在当前脉冲内极化状态,依据干扰输出功率最小原则最终实现快速滤波过程,相比于传统极化滤波算法有更快的收敛速度和更稳定的干扰抑制性能。仿真对比实验结果验证了该方法的快速有效性。     

二次检测立方攻击改进与实现

对二次检测立方攻击预处理阶段的提取二次表达式的算法进行了改进以优化攻击效率。将秘密变量的变化引入攻击中,使得攻击模型更加灵活;同时,利用时空折中的思想,通过存储常数项和一次项的计算结果,有效降低二次项的计算量。将改进的方法应用于简化版的PRESENT算法和Trivium算法上,攻击效率有显著提高。     

高架索的多体动力学模型

针对目前海上补给装备研制中尚无可用的高架索模型的现状,从多体动力学角度入手,研究了绳索多体系统动力学模型的建立方法,将绳索均匀划分为若干刚体单元,各单元之间采用球铰连接。用该方法建立了绳索的多刚体系统动力学模型,并在此基础上,应用仿真软件 ADAMS 对海上横向干货补给过程进行仿真计算。结果表明：海上补给高架索多刚体系统动力学模型完全可以模拟实际的高架索,且仿真计算结果与高架索力学振动模型的计算结果相比更贴近实际情况。     

基于人工蜂群算法优化的改进高斯过程模型

高斯过程(GP)的非线性特征导致其对大样本的训练时间复杂度过高,而且其超参数的选取是否适当直接影响高斯过程回归模型的预测精度。提出采用人工蜂群(ABC)算法优化改进GP以减小时间复杂度和提高预测精度。改进GP通过选取训练样本的子样本进行模型学习,以降低训练过程的时间复杂度。ABC通过优化改进GP的超参数,提升预测精度。选取训练样本的子样本构建改进GP回归(GPR)模型,采用ABC算法搜寻改进GPR的最优超参数,并用得到的超参数构建最优的改进GPR模型,输入测试样本进行预测并输出预测精度。将该模型应用于解决海上远程精确打击(LPSS)体系作战效能评估问题中,通过MATLAB仿真实验,与常见的多种优化方法相比较,验证了该模型的有效性。     

面向监督学习的稀疏平滑岭回归方法

岭回归是监督学习中的一个重要方法,被广泛用于多目标分类和识别。岭回归中一个重要的步骤是定义一个特殊的多变量标签矩阵,以实现对多类别样本的编码。通过将岭回归看作是一种基于图的监督学习方法,拓展了标签矩阵的构造方法。在岭回归的基础之上,进一步考虑投影中维度的平滑性和投影矩阵的稀疏性,提出稀疏平滑岭回归方法。对比一系列经典的监督线性分类算法,发现稀疏平滑岭回归在多个数据集上有着更好的表现。另外,实验表明新的标签矩阵构造方法不会降低原始岭回归方法的表现,同时还可以进一步提升稀疏平滑岭回归方法的性能。