防空作战指挥对抗能力评估与分析

作战指挥对抗在未来防空作战中的地位越来越重要,为科学评估防空作战指挥对抗能力,对防空作战指挥对抗系统进行了全面分析,建立了防空作战指挥对抗能力评估指标体系,并利用幂函数的方法,建立该系统的评估模型,从而为评估防空作战指挥对抗能力提供了一种方法.该方法有利于进行单个评估指标的灵敏度分析,能较客观地反映各评估指标的影响情况,具有一定的参考价值.     

弹炮结合武器系统的优选配置

随着空袭兵器在速度、精确性、隐身性和突防能力方面的不断发展,弹炮结合是未来防空作战的必然趋势.在综合考虑了现代作战的对抗性、电子干扰情况以及参战人员素质的条件下,首先利用灰色关联算法在分析了弹炮结合系统的指标体系条件下对各种系统建立了优选模型,而后对选出的系统综合利用模糊对策论建立了高炮与导弹在一定的作战环境下具体配置比例的模型.     

语言评价信息的武器系统模糊积分评估

传统的武器系统评估方法是基于概率和统计理论的,并假设各指标之间相互独立.然而,实际上武器系统指标的评价具有人为主观性和模糊性,并且各指标之间通常存在着依存关系.综合评述和对比了传统武器系统评估方法的适用范围以及不同方法的优劣,指出了它们的不足,提出了一种基于语言评价信息和模糊积分的武器系统评估方法.专家的评判结果是可用梯形模糊数描述的自然语言信息.     

基于匈牙利算法求解的火力分配问题

匈牙利算法是求解指派问题的一个很好的算法,但一般情况下,火力分配问题的数学模型不具备指派问题的模型形式.针对目标函数是线性或非线性的一类火力分配问题,提出了虚拟火力单位或目标的方法,将问题转化为能够用匈牙利算法求解的指派问题,该方法简单、易于计算,有很高的应用价值.     

模糊综合评判的同类地空导弹火力单元作战能力评估

除实弹射击考评外,如何利用非实弹射击演练和平时可获取的信息,对武器系统同类的不同火力单元的作战能力做出科学评估,是现实而又迫切需要解决的问题.基于已建立的同类地空导弹火力单元作战能力的评价体系,运用AHP法和模糊数学建立了火力单元作战能力的三级模糊综合评判模型,给出了基于等级区间非均等划分的百分制和区间中值评定等级行向量下的具体评估算例,为同类地空导弹火力单元作战能力的科学量化评估做了有益探索.     

基于RBFNN与D-S证据理论的反舰导弹模式识别

由于反舰导弹在速度、机动性等方面的显著潜力,已日益成为舰船的主要威胁.尽快识别反舰导弹类型对缩短系统反应时间,正确预测目标运动具有重要意义.针对从不同目标传感器提取的末制导雷达辐射源参数和弹道特性参数,对目标数据进行相关处理,应用径向基神经网络(RBFNN)分别对反舰导弹模式识别,仿真中充分考虑了各种误差干扰并进行容错性处理,仿真结果表明该算法的有效性.最后将两部分识别结果通过D-S证据理论进行综合决策,进一步提高了系统识别决策的可信度.     

航空兵空中进攻作战兵力使用方案的优化

科学技术的飞速发展和高技术航空兵器的广泛使用,使得空军航空兵对地作战的地位发生了重大变化,当今世界许多国家已十分注重发展空对地作战理论,也更加强调发挥空中力量的进攻特长,"进攻"已成为空中力量运用的主导思想.针对空中进攻作战,运用线性规划的理论和方法,分析各种不同的航空兵兵力使用方案,根据敌防空体系对我方突击机的威胁程度,以完成突击任务等为约束条件,提出了一种以我方损失最小、航程最短等为目标函数的航空兵最优出动方案及我军现有作战飞机的编队模型构想.     

基于支持向量机的彩色图像恢复新方法

引起图像退化的因素众多,因而难以用一个统一的方法来进行恢复处理。鉴于图像的像素和各颜色分量通道间本质上存在某种相关性,以及以支持向量机为核心的统计学习理论具有较好地解决小样本、非线性、高维数问题的能力,提出了一种新的空域图像恢复方法,并通过对来自于待处理图像本身的训练样本的学习,构造自适应的回归插值函数;然后基于该函数对图像作有选择的修改,从而达到图像恢复的目的。实验表明,该方法是有效的,并且具有较好的泛化性能。     

基于模糊综合评判的自行火炮机动性评估

为了减少人为因素对自行火炮机动性评估的影响,采用模糊综合评判的方法,提取并建立了影响自行火炮机动性的指标体系,给出了各项指标的隶属值域区间和权重的确定方法并建立了其机动性评估的数学评估模型, 最后用实例验证了模型的有效性.     

基于神经网络的模糊理论在桥梁状态评估中的应用

探讨了模糊数学中的隶属函数在桥梁技术等级状态评估中的应用.在研究现有桥梁状态评估方法的基础上,把人工神经网络和模糊数学理论结合起来应用于大跨度预应力斜拉桥的等级状态评估,建立了基于三层神经元的模糊神经网络模型,并建立结构损伤度函数及等级隶属度模型,通过样本学习训练,获取评估专家的知识及直觉思维,最终确定桥梁所对应的技术状态等级.以检测的480组索力数据作为学习样本,另外4组作为验证样本进行了索力状态评估预测.计算结果表明,网络预测值与期望值吻合良好.