地面防空目标优化分配问题研究

在多年来从事指挥自动化系统研究的基础上,对地面防空目标分配中的若干问题进行了研究。其中包括多目标通道地空导弹武器系统杀伤区的确定,各火力单位相对于飞机类、导弹类目标的射击诸元计算,目标优化分配模型的建立及其求解。     

垂直线列阵无源定位精度分析

提出了一种基于垂直线阵的系统,给出了定位模型,并简要介绍了其定位原理.利用由时延引入的距离、高低角和观测得到的方位角信息,建立了三维坐标系下的状态方程和观测方程.通过理论分析和仿真计算,讨论了声速测量误差、时延估计误差和阵元位置误差对系统定位精度的影响,给出了时延估计误差的克拉美-罗下界.综合时延估计、基线横纵扰动、三类误差的影响,在一定条件下,对目标距离估计的相对误差可控制在20%以内.     

一类反向混合单调算子方程组解的存在惟一性

运用锥与半序理论和非对称迭代方法,讨论半序Banach空间一类反向混合单调算子方程组解的存在惟一性,并给出了迭代序列收敛于解的误差估计,同时推广讨论了非反向混合单调算子方程组解的存在惟一性.所得结果改进和推广了混合单调算子方程某些已知的结果.     

互瞄定位法精度分析

介绍了超视距目标指示中的互瞄定位法的基本原理和影响互瞄定位法的主要因素,推导了互瞄定位法精度分析模型,并对其进行了精度分析。     

一种自组织神经网络及其应用

提出了一种适用于目标识别和故障诊断的自组织神经网络（ＳＮＮ）模型和一种基于模糊关联度的判别准则。ＳＮＮ学习速度快,能在不破坏原有“知识”的情况下,学习、记忆新知识,且具有对外部环境的自适应能力。新的判别准则充分考虑了网络输出矢量各分量的大小因素及其与各期望目标矢量的相关程度,使类别判决更加合理可靠。本模型被用于被动声纳目标分类,取得了较好的效果。     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,多层神经网络的应用,使估计精度显著提高。     

一种分析噪声背景下目标特征有效性的方法

本文根据目标特征和噪声分布,在一定假设条件下推出了最小错误率（Ｂａｙｅｓ错误率）的表达式,从而把特征分布、噪声大小直接与分类的最小错误率联系起来,给出了一种分析噪声背景下目标特征的有效性的方法。文中利用这种方法对目标和诱饵的红外辐射特征的有效性进行了分析     

模糊自组织神经网络及其在信息融合目标识别中的应用

本文重点研究了在目标识别领域中信息融合技术的神经网络模型,针对特征层融合的高维数、量纲不统一、信息表达方式差异等特点,利用模糊自映射神经网络来实现特征间的有效融合。经实验仿真证实,这一融合方法较单源识别正确识别率提高７个百分点左右     

关于收缩算子的异步迭代收敛性

论证了Ｆ为收缩算子时,求解Ｘ＝Ｆ（Ｘ）的异步迭代方法初值选取范围,提出了异步迭代的大范围收敛方法。     

静磁场Dirichlet问题Galerkin法和牛顿法

作者在［１］,［２］中给出了静磁场Ｄｉｒｉｃｈｌｅｔ问题和Ｎｅｕｍａｎｎ问题广义解的存在与唯一性。本文从理论上给出静磁场Ｄｉｒｉｃｈｌｅｔ问题的一种Ｇａｌｅｒｋｉｎ近似解法,并给出了在各向同性或无电流区情形下的误差估计和牛顿选代序列。