美军针对高超声速武器的反导预警能力发展态势分析

高超声速武器具有飞行速度快、精确毁伤和高效突防等特点,具有重要的战略威慑和实战应用价值,它能够大幅改变未来战争的态势,已成为大国打破战略平衡、打赢未来战争的新型“杀手锏”。随着高超声速武器逐步走向战场,世界各主要国家的反导防御体系将向更高预警维度、更快反应速度和更大打击力度的天地一体联合防御方向发展。本文分析了高超声速武器作战优势及其对未来战争的影响和威胁,阐述了美军现有反导预警能力的基本架构与能力缺陷,对其未来反高超声速武器的预警能力建设及发展态势进行了研判与预测。美军“优先发展天基反导作战体系,发挥低轨卫星主体作用”的反高超声速武器发展思路对于军队反导反高超声速武器能力建设具有一定的启示和借鉴作用。     

天基预警系统多体制传感器综合调度方法

为提高天基预警系统对多目标的跟踪能力,提出扫描传感器纬度区间扫描模式和凝视传感器目标群跟踪模式,并基于此种模式设计基于聚类的扫描传感器纬度区间扫描调度方法和凝视相机目标群跟踪调度方法。由于诸多传感器的工作模式、探测频率、测量误差、视场模型均不相同,推导不同探测频率、视线误差的多传感器联合观测跟踪的克拉美-罗下界计算公式。综合运用以上方法,建立多体制传感器综合调度优化方法。仿真试验表明,该方法比传统工作模式下的系统对多目标具有更高的跟踪精度。     

基于多特征的图象目标识别分类

文中研究将多特征信息融合技术用于图象目标识别分类的方法,利用图象灰度表面的分形特征与图象的摘特征（非分形特征）所提供的信息进行融合处理,在决策层中运用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据推理理论,并使用决策规则对目标进行分类。在实验中,将经过信息融合分类的结果与单特征独自分类的结果进行比较。结果表明,多特征信息融合的目标识别方法具有良好的稳定性,准确性和可靠性,能够有效地提高图象分类识别系统的精确度与容错性。     

模糊神经网络的并联结构及其在噪声信号识别中的应用

采用模糊神经网络分类算法,提出了一种模糊网络的组合结构及多种组合算法．通过对辐射噪声信号的分类试验表明,该方法可充分利用多种特征子网络的模糊分类信息,显著地提高了网络的分类能力．     

雷达诱饵对空空导弹对抗干扰效果分析

在复杂电子对抗条件下,采用伴飞诱饵对雷达制导空空导弹进行干扰可以有效地提高载机的突防和生存概率。为一次得到在干扰下空空导弹脱靶量与时间的关系,分析诱饵对空空导弹干扰的对抗过程,创新性的采用伴随方法建立了诱饵作用下空空导弹末制导伴随模型,并通过放真程序进行仿真得到对抗过程中各种条件下的空空导弹末制导脱靶量,结果表明,载机在合适的时间投放诱饵并机动能够引起较大脱靶量并降低空空导弹对载机的威胁程度,证明了伴随方法的有效性并为伴飞诱饵的应用提供理论依据。     

利用OpenGL研制导弹飞行三维动画软件的关键技术

介绍了利用OpenGL在PC机上研制具有超强真实感的导弹飞行实时三维动画的关键技术。其中包括 :软件交互界面的设计技术、导弹三维外形建模技术、导弹模型变换技术以及导弹实战环境渲染技术等     

确定导弹武器系统保障性指标的思考

描述了导弹武器系统保障性参数及其指标的涵义,探讨了确定纳入导弹武器系统研制任务书中的保障性指标应注意的几个问题.     

防空导弹测试系统自检功能设计的探讨

防空导弹测试系统的自检功能,是系统功能的重要侧面.就自检功能设计有关问题做了探讨.     

导弹生存能力指数评定方法

分析了导弹系统生存能力的影响因素,建立了生存能力指数评定模型,对各子指标的量化进行了分析,可为导弹武器系统的研制和作战运用提供评定依据。     

The effect of training data set size and the complexity of the separation function on neural network classification capability: The two-group case

Classification among groups is a crucial problem in managerial decision making. Classification techniques are used in: identifying stressed firms, classifying among consumer types, and rating of firms' bonds, etc. Neural networks are recognized as important and emerging methodologies in the area of classification. In this paper, we study the effect of training sample size and the neural network topology on the classification capability of neural networks. We also compare neural network capabilities with those of commonly used statistical methodologies. Experiments were designed and carried out on two-group classification problems to find answers to these questions. The prediction capability of the neural network models are better than traditional statistical models. The learning capability of the neural networks is improving compared to traditional models because the discriminate function is more complex. For real world classification problems, the usage of neural networks is highly recommended, for two reasons: learning capability and flexibility. Learning capability: Neural network classifies better in sterile experiments as performed in this research. Flexibility: Real life data are rarely not contaminated with noise, such as unknown distributions, and missing variables, etc. Neural networks differ from a statistical model that it is not dependent on any assumption concerning the data set distribution. © 1997 John Wiley & Sons, Inc. Naval Research Logistics 44: 699–717, 1997