装备经济性分析中的结构制造复杂度参数建模

参数估算法是当前装备经济性分析的主要方法,TruePlanning软件为国际主流的装备经济性分析软件。基于TruePlanning软件,以制造复杂度(Manufacturing Complexity)为研究对象,通过对TrueH模块进行深度剖析,分析并确立了结构制造复杂度(Manufacturing Complexity for Structure)的建模思路和模型形式。通过一个实例分析,选取5个必要的输入参数,构建结构制造复杂度的初步模型,并进一步考虑附加参数的输入,对模型进行修正。结果显示了结构制造复杂度对各技术参数的不同响应形式和敏感程度,为开发国产费用估算模型提供了可行的思路。     

舰艇防空反导自适应干扰HDP算法分析与仿真

为干扰来袭的多波次、多方向反舰导弹,提高舰艇防空反导能力,分析了自适应干扰HDP算法模型,并通过实例进行仿真。通过对结果进行分析,验证了启发式动态规划(HDP)算法在自适应电子干扰策略最优组合的生成过程中的时效性、预测精度以及适用性,为该算法的后续研究提供支持。     

基于改进鸽群优化的直升机协同目标分配

针对多直升机协同目标分配问题,建立了基于敌我相对态势的对地打击多目标的分配模型。引入多Agent系统机制,加快了有益信息在系统中的流动;并借助雁群成员在飞行中借鉴雁群整体经验的操作,来修正鸽群算法中地标算子的寻优方向,进而提出了基于多Agent的改进鸽群优化的问题求解策略。最后,以典型的直升机对地作战目标分配问题为背景,仿真验证了模型及其求解算法的合理性和有效性。     

基于云模型的系统综合效能评估方法

针对系统效能评估中定性描述难以准确评估的问题,在分析已有基于云模型评估方法不足的基础上,提出了一种新的基于云模型的系统综合效能评估方法。首先将各指标值和评价集的各评语用云模型表示,然后利用各指标值云模型与评价集各云模型相似度的加权和来对系统综合效能进行评估。实例分析表明,该方法能够有效地对系统进行综合效能评估。     

陆军部队未来夜战场管理面临的挑战

陆军部队夜战场管理今非昔比,前瞻陆军部队未来夜战场管理面临的挑战,是实现习主席"努力建设一支强大的现代化新型陆军"指示的具体举措,是实现管理服务作战的必然之举。本文从"夜战由单一军种向多军种联合作战转变,传统的以陆军为主的夜战场管理难以适应管理联合化发展趋势;传统的以陆战场为主的夜战场管理难以适应管理多维化发展趋势、夜战由慢节奏向快节奏转变;传统的以人力为主的粗放式夜战场管理难以适应管理快捷、精确化发展趋势;夜战由充满迷雾向空前透明转变,传统的以天然夜幕掩护为主的夜战场管理难以适应管理技战术一体化发展趋势等四个方面,预测了陆军部队未来夜战场管理面临的挑战。     

面向可调喷油速率的超高压共轨系统建模及仿真分析

针对常规高压共轨系统在喷射过程内喷油压力较低、无法灵活实现喷油速率改变等问题,提出并设计了立足国内加工能力和技术工艺的面向可调喷油速率的超高压共轨系统.在介绍其工作原理的基础上,基于AMEsim软件建立了系统的仿真模型,并利用试验验证了模型的准确性;通过模型研究了系统的压力特性和喷油控制特性,同时分析了电控增压器的关键...     

面向大规模交互数据空间划分的Voronoi图生成算法及应用

传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域.为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBS...     

基于大规模贝叶斯网络的安全性分析算法

贝叶斯网络计算量随着节点数增多呈指数增长,限制了大规模贝叶斯网络在安全性分析中的应用。为此,利用独立性条件分解整个网络,压缩推理时显式表达的项数,给出了计算顶事件发生概率及割集的算法,并分析了算法复杂性。在满足工程需要情况下,将提出算法与基于BDD算法相比,该算法表现出占用内存少、运行速度快的良好性能。     

双速制声自导鱼雷主动开机时机研究

鱼雷主动声自导寻的信号是潜艇探测来袭鱼雷的主要信息源之一,主动声自导开机时机是鱼雷发射时需要设定的重要参数,它直接影响鱼雷攻击的隐蔽性。通过分析双速制鱼雷辐射噪声对潜艇鱼雷报警距离的影响,提出了一种双速制鱼雷直航搜索阶段的变速策略,在此基础上建立了鱼雷主动声自导开机时机解算模型,仿真结果表明,此方法简单高效,结论详实可信,对双速制鱼雷发射诸元解算具有一定的实用价值。     

模型不可知的联合相互学习

主流的联邦学习(federated learning, FL)方法需要梯度的交互和数据同分布的理想假定,这就带来了额外的通信开销、隐私泄露和数据低效性的问题。因此,提出了一种新的FL框架,称为模型不可知的联合相互学习 (model agnostic federated mutual learning, MAFML)。MAFML仅利用少量低维的信息(例如,图像分类任务中神经网络输出的软标签)共享实现跨机构间的“互学互教”,且MAFML不需要共享一个全局模型,机构用户可以自定制私有模型。同时,MAFML使用简洁的梯度冲突避免方法使每个参与者在不降低自身域数据性能的前提下,能够很好地泛化到其他域的数据。在多个跨域数据集上的实验表明,MAFML可以为面临“竞争与合作”困境的联盟企业提供一种有前景的解决方法。