梯度学习的参数控制帮助线程预取模型

对于非规则访存的应用程序,当某个应用程序的访存开销大于计算开销时,传统帮助线程的访存开销会高于主线程的计算开销,从而导致帮助线程落后于主线程。于是提出一种改进的基于参数控制的帮助线程预取模型,该模型采用梯度下降算法对控制参数求解最优值,从而有效地控制帮助线程与主线程的访存任务量,使帮助线程领先于主线程。实验结果表明,基于参数选择的线程预取模型能获得1.1~1.5倍的系统性能加速比。     

Lipschitz非线性系统状态观测器设计新方法

针对Lipschitz非线性系统状态观测器,提出了一种以极小化条件数为目标准则的新的设计方法。运用梯度下降法和Slyvester方程,计算极小化条件数,优化增益矩阵和最大允许Lipschitz常数,完成观测器设计。通过同其它文献的算例比较,结果发现按文中方法设计的观测器具有迭代次数少、优化结果好的特点。     

一种求解武器系统可靠性分配的非精确方法

在考虑资源约束的基础上,通过建立一种资源-可靠度-满意度三者平衡的可靠性分配和优化模型,将对武器系统可靠性最优分配问题转化为对模糊非线性规划问题的求解,从而为武器系统可靠性的最优化问题提供了一种新方法。为获得具有实际意义的数值解,提出一种沿着加权梯度方向进行变异的特殊遗传算法,并结合某高炮系统的应用分析,证明了该方法的有效性和合理性。     

灰度图在地形建模中的应用

三维虚拟地形的生成在构建虚拟陆地战场环境中占据重要位置,数字高程模型决定了三维地形的优劣。但是在实际的地形三维建模过程中,大多数的三维虚拟地形重建无法真实地映射出地表的复杂性和不规则性,存在建模误差大的问题。介绍了根据灰度图来进行数字高程模型的插值和修改,从而获得更逼真、更精密的地形模型。详细叙述了实现方法并进行实验,结果表明,该方法实用性较好,能构建更加真实的虚拟战场环境。     

脉冲串信号时差估计优化算法

针对脉冲串序列信号的目标定位任务,传统的单脉冲到达时间差定位方法由于测量单个脉冲的到达时间产生的误差可能偏大,而导致目标定位精度不能满足实际工程需求。现提出两种优化定位精度的方法,前者是针对在脉冲串未出现缺失的条件下,利用最小二乘法计算两个基站接收到的脉冲串到达时间差;后者是针对在脉冲串出现缺失的条件下,利用序列相似性原理对脉冲串到达时间差进行搜索,两者都能减小测量误差对整个定位系统的影响,提高整个系统的定位精度。     

自然梯度盲分离算法在振动信号处理中的应用

介绍了盲分离的几种主要算法,并对混合信号进行分离仿真实验,证明了算法的有效性.比较了Infomax算法、EASI算法和自然梯度算法采用不同步长时的分离性能.并采用改进的基于最小互信息准则的自然梯度算法对航空发动机振动信号分离,得到各振源的特征频率.该算法是分离机械振动信号源的一种有效方法.     

封装对螺旋线圈发射器互感梯度的影响

互感梯度是决定线圈炮加速力的主要因素。本文以螺旋线圈炮为例,建立了计算互感梯度的二维有限元模型,对四种不同属性的封装材料和封装尺寸对互感梯度的影响做出了分析和比较,并给出了不同的封装材料及尺寸下封装的电流密度和磁场分布图。分析表明,互感梯度受到封装材料电导率和磁导率的双重制约。电导率决定了封装中感应涡流的大小;磁导率决定了对磁场的加强程度。减小封装与线圈的间距,导磁材料的磁场加强效果更好,而导电材料的涡流效应也更明显;增加封装的厚度,导磁材料可以更好地增强磁场,但导电材料由于电阻更小涡流效应更明显。为了实现互感梯度的最大化,可以在减小封装与驱动线圈间距并增加封装厚度的情况下使用高磁导率的硅钢片制作封装,硅钢片的厚度应该尽量小从而削弱涡流效应。     

低信噪比下融合随机共振的运动目标检测算法

为提高智能视频监控系统中运动目标检测算法在低信噪比条件下的鲁棒性,结合混合高斯背景建模算法和随机共振原理实现一种低信噪比下的运动目标检测算法。算法根据混合高斯背景模型对当前帧生成目标概率灰度图,在本文定义的性能评价函数下,通过向该概率灰度图添加噪声使得评价函数最优化从而达到随机共振,对该随机共振灰度图进行阈值分割得到输出的检测目标。针对昏暗、大雾和红外视频分别进行了实验,证实了本文算法的有效性同时也显示本文算法相对于普通背景差算法性能获得了明显提升。     

基于梯度下降灰色Markov模型的装备器材需求预测

为改进灰色Markov装备维修器材需求预测模型在小样本条件下的预测效果与合理性,提出了基于梯度下降算法的灰色Markov模型。通过建立关于各时间节点拟合残差的二乘损失函数,运用梯度下降算法迭代得到灰色Markov模型最优转移概率强度和Kolmogorov方程解的最优待定系数并实施预测。数值模拟与实例分析的结果表明,梯度下降灰色Markov模型可快速有效地搜索转移概率强度以及待定系数的相对优化值,进而改善模型的预测效果和稳定性。     

自学习粒子群与梯度下降混杂的漏磁反演方法

利用自学习粒子群优化算法的全局寻优能力克服梯度下降法过分依赖初始解,易陷入局部极值的缺点,从而提高梯度下降法的优化性能。以径向基函数神经网络为前向模型,基于自学习粒子群与梯度下降混杂的反演方法用于漏磁缺陷轮廓重构中。实验结果表明,该反演方法重构的缺陷轮廓比较准确,且在漏磁信号存在噪声的情况下,重构结果到与实际轮廓相近,并具有一定的噪声鲁棒性。