分层任务网络在UCAV规划中的应用

无人战斗机任务规划对提高它的生存能力、突防能力、作战效能具有重要意义.分层任务网络规划是一个有效的规划方法,HTNP的最大好处在于,搜索受控于细心设计的方法.在某种意义上讲,一个HTN规划器只描述了如何使用操作,给实际使用带来了困难.在HTNP中引入目标协调机制、禁忌表等,将原有"离线"式方法变为"在线"式方法,提高了方法的适应性能.可以根据情况的变化,随时生成新的规划,降低了预先设计方法的数量,从而降低工程实施的难度.     

水力测功器模拟螺旋桨高海情负载的神经网络预测控制仿真研究

为解决用水力测功器实现螺旋桨高海情下动态负载模拟的难题,首先给出了问题的数学描述并从工程应用角度做了适当简化,完成了开环辨识试验和神经网络建模;然后基于模型预测控制的基本原理进行了水力测功器模拟螺旋桨高海情负载的神经网络预测控制研究;仿真研究结果证明,文中所提方法确实有效,可用于水力测功器建模及动态加载控制。     

离心机试验中惯导平台误差系数辨识方法

针对离心机试验中惯导平台误差系数辨识问题,提出一种6位置辨识方案。建立误差系数辨识的非线性模型,再利用扩展卡尔曼滤波估计误差系数。由滤波中的估值方差矩阵计算各误差系数之间的相关系数,用相关系数分析系统的可观性,并将所有相关系数之和最小作为优化指标,利用遗传算法得到最优的位置组合。仿真结果表明,采用该方案可以有效辨识出惯导平台中与加速度高阶项有关的各项误差系数。     

舰载红外质心干扰效果在线评估方法研究北大核心

针对作战应用时电子对抗干扰效果的在线评估问题,以舰载红外质心干扰为例,提出基于我方干扰装备与被保护目标的实际状态和预期状态的差别进行评估。具体思路是综合考虑干扰弹发射延迟、哑弹数量、是否执行舰艇机动等作战使用因素对干扰成功概率的影响,结合舰载红外质心干扰的干扰成功概率理论模型,实现干扰效果的在线评估。仿真结果表明,新方法对干扰效果的评估更具有实际应用价值。     

ESD EMP能量耦合线性化建模

针对利用非线性建模方法研究静电放电电磁脉冲(Electro Static Discharge Electro Magnetic Pulse,ESD EMP)能量耦合存在计算复杂、模型收敛性能较差的问题,基于ESD辐照实验提出了一种非线性系统线性化建模方法。该方法是将系统响应与激励间的非线性关系转化为线性关系后,利用带遗忘因子的递推最小二乘法进行线性回归来建立模型。首先利用3.5 k V ESD实验数据进行建模,然后应用3.5 kV、4.5 kV ESD实验数据进行模型验证,2种情况下的拟合度均达到94.303 3%。结果表明:线性化建模能有效降低建模难度,且模型精度较高,为ESD能量耦合研究提供了一种简便有效的建模方法。     

物理化学方法在线清洗船舶柴油机涡轮增压器

针对船舶柴油机涡轮增压器积碳严重、维修保养困难的问题,提出了新研涡轮增压器清洗装置和清洗剂,综合运用物理化学方法对涡轮增压器进行在线清洗的新技术。台架试验表明:运用该技术可有效清除涡轮增压器压气机、废气涡轮内部的积碳;清洗后曲轴箱和齿轮箱内的真空度大幅降低,涡轮增压器性能恢复,内燃机功率提高;配套专用清洗剂对接触部位材料无腐蚀,适应性好,安全可靠;清洗过程中柴油机运转平稳、正常。     

指挥控制系统中仿真决策系统的嵌入研究

将仿真决策系统嵌入到指挥控制系统中,利用仿真决策支持正在进行的军事行动正成为未来指挥控制系统发展的重要探索方向。研究了嵌入式仿真决策系统的组成,包括人机接口分系统、在线仿真分系统和控制管理分系统等;研究了嵌入式仿真决策系统的功能,包括计划与方案生成、作战态势读取、辅助指挥决策生成、战场态势预判、行动结果管理与未来态势生成控制等;研究了嵌入的关键技术途径,包括嵌入样式、在线仿真决策技术、定性与定量相结合的在线评估、面向服务的组件化设计等。研究成果对探索和建立我国未来新一代指挥控制系统具有重要、积极的现实和军事意义。     

运用慕课模式开展军队思想政治教育

慕课,简称“MOOC”,是指大规模的开放的在线课程,或者说是大型开放式网络课程。慕课是2011年以来在美国兴起并迅速在全球高等教育引发改革风暴的一种新的教学模式,被人称为“印刷术发明以来教育最大的革新”。     

航天器转动惯量参数在轨辨识的最优激励

根据矩阵分析理论研究了转动惯量参数的可辨识性问题,从姿态动力学方程导出关于未知参数的线性回归模型,将回归矩阵的条件数作为参数可辨识度的定量指标,以可辨识度最大为目标函数建立最优控制模型;应用解最优控制问题的伪谱法,计算控制力矩陀螺的指令轨线,使得惯量参数的辨识精度和收敛速度显著提高;在仿真中采用双无迹卡尔曼滤波算法进行参数辨识,结果验证了所提出的最优激励设计方法可以改善参数辨识性能,同时该方法对先验信息误差具有鲁棒性。     

一种具有遗忘特性的在线学习算法框架

基于凸优化中的对偶理论,提出了一种具有遗忘特性的在线学习算法框架。其中,Hinge函数的Fenchel对偶变换是将基本学习问题由批量学习转化为在线学习的关键。新的算法过程是通过以不同方式提升含有约束变量的对偶问题实现的:(1)梯度提升;(2)贪婪提升。回顾了以往的相关研究工作,并指出了与之的区别与联系。人造数据集和真实数据集上的实验结果证实了算法框架的有效性。算法可以很好地处理数据流中的分类面漂移问题,为设计和分析新的在线学习算法提供了一个新的思路。