Φ2mm丝材电弧喷涂工艺对涂层结合强度的影响

分析了喷砂预处理和电弧喷涂这两个过程的工艺参数对涂层的结合强度的影响。将分数维理论用于喷砂后的试样表面,研究了喷砂角度、分数维和结合强度的相互关系,找到了获得最高结合强度所用的喷砂角度;通过正交试验法,找到了能获得最佳涂层结合强度的Φ2mm丝材电弧喷涂工艺参数。     

基于SLAM的图形建模仿真环境

本文详细介绍了基于ＳＬＡＭ的图形建模仿真环境的设计与应用，包括图形建模环境的实现，ＳＬＡＭ网络的进程交互仿真策略以及仿真器的设计，并进一步探讨了该系统用于协同仿真进行混合异构建模的思想。     

MPP数据并行FORTRAN汇编代码模拟环境的设计与实现

本文阐述了一种在单机上模拟ＭＰＰ机执行并行汇编代码的方法。这种并行汇编代码由ＭＰＰＦＯＲＴＲＡＮ编译器生成。由于在一个大型工程中，编译生成的目标代码运行环境不一定能及时具备，所以，研制汇编代码模拟环境ＤＰＦＡＳ有助于及早验证编译目标代码的正确性和完备性。本文通过共享进程组在ＳＧＩ工作站上实现多机环境模拟和远程地址访问模拟。此模拟环境的实现对ＭＰＰ数据并行ＦＯＲＴＲＡＮ编译器的正确性验证和效率评估有一定的帮助。     

使用图像优化方法估计水体调制传递函数

针对水体属性的变化使图像复原困难的问题,提出了一种从退化的水下图像中估计自然水体调制传递函数的方法。该方法首先建立了自然水体的调制传递函数与其固有光学特性参数之间的关系,然后采用图像复原技术对图像进行复原,最后使用粒子群优化算法来优化调制传递函数的相关参数。仿真实验表明:该方法能有效对水下图像进行复原,且不需测量水体的光学参数就能估计出自然水体的调制传递函数。该方法用于水下激光成像系统的图像复原可取得明显效果。     

基于模糊物元分析法的坦克作战效能评估

鉴于坦克作战效能评估中客观存在的不确定性和模糊性,提出了基于改进模糊物元分析方法的坦克作战效能评估模型。该模型在构建坦克作战效能评估指标体系基础上,将层次分析法和熵权法计算出的权重有机组合实现综合赋权,并据此建立坦克作战效能的模糊物元分析评估模型。实例分析表明,所提出的模型便于理解,易于实现,兼顾了主客观因素的影响,评估结果总体反映了坦克作战效能的真实水平,也为其他装甲武器作战效能的科学评估提供新思路。     

箔条云干扰下的单目标恒虚警率检测研究

箔条云在扩散过程中随着时间变化会稀释和扩大,其回波特性会发生改变,被检测目标与箔条的相互位置关系也会影响雷达恒虚警检测。针对作战对抗过程中箔条干扰易造成雷达接收机阻塞干扰目标检测,检测概率迅速降低且易丢失目标贻误战机,通过详细分析箔条的扩散过程及信号频谱特性及其箔条云和目标的两种位置关系,利用恒虚警处理算法在噪声基底为10 dB和20 dB情况下对目标进行恒定虚警率检测研究。研究结果对改善飞机检测性能和抗虚警能力以及提高战场生存率具有积极作用。     

基于“综合赋权”模糊物元模型的机场运行安全评价

为了保证机场运行安全,防止事故的发生,依据模糊物元分析理论,结合机场运行安全评价指标体系,构建了基于综合赋权的机场系统模糊物元安全评价模型。在该模型中,通过层次分析法和熵值法主客观综合所确定的权重,为指标体系进行线性加权,实现综合赋权,从而将计算得到的综合权重用于模糊物元建模与评价。实例分析结果表明,该模型步骤简单,过程科学合理,并兼顾了主客观因素的影响,评价结果总体反映了机场的真实安全水平,也为机场安全的科学评价提供了新思路。     

改进IAHP-CIM模型的雷达组网探测能力评估方法

针对雷达组网探测能力的评估问题,采用鱼骨图法对影响雷达组网探测能力的多种因素进行梳理,得到结构层次清晰的指标评价体系。采用改进的区间层次分析—控制区间和记忆模型对该指标体系进行评估,具体方法是:运用区间层次分析法构造区间判断矩阵;利用蛙跳算法求解区间判断矩阵中满足最小一致性的确定性矩阵;利用控制区间和记忆模型来确定各指标的风险概率,实现指标体系的评估。以具体的案例为对象进行仿真实验,结果表明,所提评估方法有效,评估结论相对客观、可信,对雷达组网探测能力评估具有一定参考价值,从而为雷达组网的优化部署奠定良好基础。     

多核贝叶斯优化的模型决策树算法

构造模型决策树时超参数较多,参数组合复杂,利用网格搜索等调参方法将会消耗大量的时间,影响模型性能的提升。提出了一种多核贝叶斯优化的模型决策树算法,该算法为应对不同分类数据特性,采用三种高斯过程建模寻优,利用贝叶斯优化技术,选出最优的参数组合。实验结果表明,所提算法在参数寻优上要优于传统的模型决策树寻优方法,并且能够在迭代次数不多的情况下找到全局最优参数值,在一定程度上提升了算法的分类性能,节省了大量的调参时间。     

分布式异构集群中节点优先级调优算法

节点优先级常用于评价异构集群中节点的性能,因此节点优先级评价指标权重的选择非常重要。采用层次分析法(analytic hierarchy process, AHP)建立了节点优先级评价指标体系,计算得到各指标的初始权重,并使用BP神经网络对初始权重进行优化。训练时,BP网络输入为集群运行中采集的节点实时资源数据,输出为节点的优先级。分析网络训练完成后得到的权重矩阵可以获得各优先级评价指标的优化权重。实验表明,基于AHP和BP的节点优先级评价模型可以更加准确地分析节点性能。相比于Spark默认算法和权重未优化的对照算法,使用调优后的节点优先级可以有效提高集群性能。运行不同工作量的相同负载时,集群平均性能分别提高了16.64%和9.76%;处理相同工作量的不同负载时,集群的平均性能分别提高了12.49%和6.54%。