基于映射分析方法的打击目标选择研究

目标系统是一个能够产生相互影响的有机整体,分析目标系统,发现目标系统的内部联系,对于作战指挥决策、实施目标选择与打击有着重要的意义。分析了基于价值的目标选择与打击方法存在的不足和对目标选择与打击的影响。根据目标系统的网络特征,运用映射思想,提出一种映射结构,把目标和目标系统映射到虚目标及其组成的系统,由虚目标价值求取目标系统价值和目标对系统的价值,解决了目标价值难以计算以及动态变化后计算不够准确的问题,为目标选择与打击提供了可靠的依据。以某军事通信目标系统为例进行分析,验证了映射方法的可行性和正确性。     

航空发动机的可预测模型建模与应用

提出了一种基于混沌理论和支持向量的预测方法.通过重构相空间的饱和嵌入维数,确定支持向量机的最佳输入变量;通过计算混沌序列的最大Lyapunov指数,确定支持向量机预测模型的最大有效预测步数;利用支持向量机强大非线性映射能力、网络结构的自动最优化特性,实现时间序列的非线性预测.最后,应用于某型发动机压气机的试车时间序列数据建模与分析,结果证明该方法具有较高的预测精度.     

基于MAS的信息化战场火力战仿真建模

通过仿真实验进行演示、检验和评估,是研究信息化战场火力与指挥控制的有效方法.通过采用基于MAS的仿真方法,把火力战系统的内部组元直接映射成相应的Agent,研究了基于MAS的火力战仿真建模过程,提出了基于MAS建模的火力战系统总体框架与工作过程,并进一步研究了火力战Agent的定义与工作原理,为未来信息化战场火力战相关项目技术演示提供平台基础.     

基于粗糙集理论的地空导弹对空威胁级别量化方法

地空导弹对空威胁级别的量化是任务规划系统首要解决的问题.针对地空导弹性能参数不完备、不易获取导致的威胁级别不易判断和量化问题,提出了基于粗糙集理论的威胁级别量化方法,用于在各种不完备导弹性能参数中挖掘、分析与威胁级别量化相关的主要信息和映射关系,解决了不完备性能参数条件下的地空导弹威胁级别量化问题,并以现代典型地空导弹系统为例,给出了威胁级别量化的具体过程.     

一种基于随机映射的战斗效能模型

利用随机映射概念提出了一种新的战斗毁伤模型形式———Lanchester战斗网络模型。模型是由一个阶递减的随机映射序列组成的随机有向二部图,它明确、形式地描述了战争整体行为与局部作用之间的关系。理论分析和计算获得的结论表明,模型描述的整体作战效能符合Lanchester平方律,其网络拓扑结构是非同质的,出度和入度分布服从指数幂律。应用模型定量对比了“对称”与“非对称”战斗中全局信息因素对战斗系统整体效能的影响。初步讨论了网络模型研究在战争建模理论、实证和计算方法论上的意义。     

球面全景空间缝合及漫游算法研究

提出了基于图像映射实现球面全景空间缝合及实时浏览的算法。首先,对两幅或多幅鱼眼图像使用扫描线逼近算法分别提取轮廓,再采用基于亮度差的图像缝合算法对其球面投影进行球面缝合,使用球面坐标定位校正算法校正图像并拼接成平面全景图,通过建立球面浏览视窗与平面全景图之间的像素映射关系,显示球面全景空间不同视角场景信息。实验结果表明,该算法较好地实现了鱼眼图像的无缝拼接以及球面全景连续360°的实时浏览。     

基于数字混沌序列的变换域通信系统基函数产生方法

提出了一种新的变换域通信系统基函数生成方法——Logistic数字混沌映射法，并对基于Logistic混沌序列基函数的特性进行仿真，同时将其与基于m序列的基函数进行对比分析。仿真结果表明，基于Logistic混沌序列基函数具有较好的伪随机特性、多址特性，且函数数量巨大。     

基于SEA的炮兵侦察系统效能分析及动态评估

现代战争作战环境复杂多变,如何评估作战条件下的炮兵侦察效能是一个紧迫的课题。本文采用了系统效能分析方法,给出SEA方法的概念和步骤,并针对战场环境下炮兵侦察系统的战术背景进行动态分析和评估,揭示其内在规律,为提高现有侦察装备的作战效能以及侦察指挥决策提供有力的支持。     

利用最小二乘支持向量机求解潜艇内外磁场映射模型

为提高潜艇磁隐身能力,应对潜艇固定磁场进行实时监测,提出利用最小二乘支持向量机的潜艇内外磁场映射方法。结合内外映射法和最小二乘支持向量机原理,通过交叉验证优化模型参数,建立由内到外的潜艇磁场映射模型。以潜艇外部垂向固定磁场变化量为分析对象,仿真和实验结果均与标准值吻合良好。与径向基神经网络算法相比,该方法的泛化能力和推算精度有明显提高,且更符合工程实际,对闭环消磁技术的研究具有指导意义。     

自组织特征映射网络在目标分类识别中的应用

为了在日趋复杂的空战环境中准确分析出目标的类型,以达到辅助决策之目的,采用自组织特征映射网络来对目标进行分类识别.首先提取影响目标识别的类特征,然后对其预处理.在此基础上建立SOM网络目标识别模型,并利用SOM网络算法实施无监督的自组织学习.在学习的过程中,通过不断调节网络节点间的权向量,来实现目标聚类.最后,通过仿真验证了该方法在目标分类识别中的可行性和实用性.