基于仿真的作战飞机管道加油调度优化研究

针对多机种作战飞机管道油料加注调度优化的现实问题,通过研究作战飞机从到达基地到加油完毕的油料加注周期,提出了一种新的管道加油口选择策略,并基于此策略研制了以作战飞机数量和油料加注时间为仿真结束条件的2种GPSSW仿真程序模型。通过多次仿真实验,结果表明:该策略优于基于调度人员经验的"即空即用"管道加油口选择策略,可有效提高作战飞机油料加注效率,并能实现有限管道加油口的合理分配。     

LEACH—DRT算法中基于神经网络的数据预测算法

为了保证无线传感器网络中数据的完整性,针对基于LEACH路由协议的动态轮时间算法存在的问题,提出一种基于人工神经网络的数据预测算法。该动态轮时间算法中,部分簇因调整后的轮时间不足以完成数据的采集而丢失数据。数据预测算法结合传感器节点数据具有时空相关性的特点,将时空延迟算子引入神经网络模型,并通过建立的神经网络模型对数据进行预测。仿真时采用伯克利英特尔实验室的传感器数据,通过Mafl软件对模型进行测试并分析仿真结果。实验结果表明：该算法对连续多个数据的预测效果理想,预测误差始终保持在较低水平。     

资源不确定军事任务计划预测调度模型与算法

针对军事任务计划执行环境中普遍存在的资源不确定性,提出了基于资源缓冲区的军事任务计划预测调度算法。算法首先基于平台有效资源功能向量进行任务—平台分配,分配过程中通过调节平台有效资源功能向量,获得不同的平台资源缓冲区分配方案;然后基于NSGA-Ⅱ算法框架对军事任务计划进行多目标求解,进而获得问题的Pareto最优解集。文章通过仿真算例对算法的可行性和有效性进行验证,实验结果表明,该算法能够有效求解资源不确定军事任务计划问题。     

基于空间网格的制导方法研究

针对传统摄动制导修正大干扰能力的缺点,提出一种基于空间网格的制导方法.分析了空间网格法的基本原理,对其建立的要素和具体方法进行了详细说明.并从3个不同侧面对该方法的规律性进行了分析.通过仿真,证明空间网格法有效可行,具有弹上计算简单,数据存储量少,控制易实现,能实时修正大干扰偏差的优点.使其在提高导弹的制导精度和弹上计算效率方面,具有一定的应用前景和参考价值.     

变壁厚金属管在发射筒缓冲装置中的应用研究

利用MSC.Patran和MSC.Dytran有限元分析软件对某缓冲装置中所应用的受轴向冲击的变壁厚金属吸能圆管进行了仿真计算,得到了压缩过程中的冲击力与吸能量.并通过落锤冲击实验得到实际中吸能圆管在压缩过程中的冲击力与吸能量.结果表明,仿真与实验结果吻合较好,吸能圆管在压缩过程中的冲击力与吸能量符合预期.     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,对其滤波理论及算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

基于微动调制的SAR新型复合有源干扰方法

在静态虚假目标的基础上,利用有源运动调制干扰原理,提出了一种基于微动调制的SAR新型复合有源干扰方法。建立了基于微动调制的复合有源干扰信号模型,详细分析了该干扰信号对SAR的干扰效果,确定了各调制系数,最后进行了基于实测数据的仿真实验。结果表明,该方法具有距离向相干处理和方位向部分相干处理的特点,可对SAR在方位向上实现多个匀(加)速虚假运动目标的欺骗干扰效果。     

混合粒子滤波被动定位算法

为实现空中机动单站对运动目标的快速无源定位,提出了一种基于测向交叉定位方法的混合粒子滤波算法.针对粒子滤波初始化存在的问题,该算法从测向交叉定位方法得到建议分布,利用角度测量对状态变量的约束关系产生所需粒子,避免了粒子滤波产生粒子时的随机性,减少了高维情况下所需的粒子数目,降低了运算成本,提高了粒子滤波的实时性能.与粒...     

冷喷涂粒子速度影响因素的数值模拟与分析

冷喷涂过程中,粒子速度直接影响冷喷涂材料改性效果.由于射流流场为超音速气固两相冲击射流,用实验方法研究粒子速度的影响因素很困难,为此通过数值模拟方法再现流场中粒子速度的变化情况.用Fluent软件以冷喷涂技术中超音速气固两相射流流场为研究对象,对于气固两相流的模拟,则采用颗粒轨道模型(欧拉-拉格朗日模型)获得粒子在射流流场的速度变化情况;分析粒径、材料、喷涂距离以及载气等因素对粒子速度的影响.进一步优化冷喷涂工艺方案,得到了粒子特性与粒子到达基板前最大速度之间的优化关系.     

Multi-scale traffic vehicle detection based on faster R-CNN with NAS optimization and feature enrichment

It well known that vehicle detection is an important component of the field of object detection. However, the environment of vehicle detection is particularly sophisticated in practical processes. It is compara-tively difficult to detect vehicles of various scales in traffic scene images, because the vehicles partially obscured by green belts, roadblocks or other vehicles, as well as influence of some low illumination weather. In this paper, we present a model based on Faster R-CNN with NAS optimization and feature enrichment to realize the effective detection of multi-scale vehicle targets in traffic scenes. First, we proposed a Retinex-based image adaptive correction algorithm (RIAC) to enhance the traffic images in the dataset to reduce the influence of shadow and illumination, and improve the image quality. Second, in order to improve the feature expression of the backbone network, we conducted Neural Architecture Search (NAS) on the backbone network used for feature extraction of Faster R-CNN to generate the optimal cross-layer connection to extract multi-layer features more effectively. Third, we used the object Feature Enrichment that combines the multi-layer feature information and the context information of the last layer after cross-layer connection to enrich the information of vehicle targets, and improve the robustness of the model for challenging targets such as small scale and severe occlusion. In the imple-mentation of the model, K-means clustering algorithm was used to select the suitable anchor size for our dataset to improve the convergence speed of the model. Our model has been trained and tested on the UN-DETRAC dataset, and the obtained results indicate that our method has art-of-state detection performance.