弹道式导弹自对准系统的随机最优控制

固定基座发射的弹道式导弹,可以利用三轴陀螺平台罗盘系统来实现全方位自对准。在考虑到系统噪声及测量噪声情况下,根据离散型线性随机系统最优控制的分离定理,实现平台罗盘自对准系统的最优控制。计算结果表明,所讨论的方法,可以在对准精度、对准时闻及对随机干扰信号的滤波作用诸性能要求方面,获得满意的结果。     

一种改进的遥感图像分形维数提取算法

基于离散分形布朗随机场的图像分数维提取方法,在综合分析和实验验证的基础上,提出了一种改进的图像分形维数计算方法。仿真实验证明,该算法相较于原算法计算结果稳定,不同地物的区分能力强,能够应用于遥感图像的地物分类。     

拖缆强度校核的随机模拟方法

建立了拖缆的动态拉力模型,应用蒙特卡罗随机模拟方法对已知方案中的拖缆强度进行了校核.结果表明,分析其失效概率能够对拖缆选型给出直观的评价,有利于提高拖航的安全性.     

激光陀螺数字抖动控制方法与特性

针对传统的模拟抖动控制系统体积大、灵活性差的缺点,设计了一种基于单片机的新的激光陀螺数字抖动控制方法,建立了陀螺抖动的数学模型,比较研究了传统的模拟正弦波驱动和新的数字方波驱动的抖动特性,指出了后者不同于前者的抖幅变化律及非线性的随机噪声注入方式。仿真和实验证明,该方法能很好满足激光陀螺抖动控制要求,保证陀螺性能。     

随机频率步进雷达成像分析

随机频率步进信号兼具步进频率雷达和宽带噪声雷达的特点,不仅可以降低系统瞬时带宽和数据采样率,还具有优良的低截获概率(LPI)、电磁兼容性(EMC)和抗射频干扰(ARFI)特性.分析了随机频率步进信号的相关输出及模糊函数的统计特性,如一阶矩、二阶矩和方差等,并与均匀频率步进信号做了抗干扰性能的比较.提出并分析了相关输出结...     

UKF在MEMS陀螺随机噪声补偿的应用

论述了MEMS陀螺静态随机噪声与动态随机噪声的特点;系统分析了无迹卡尔曼滤波(UKF)的特点,将UKF用于MEMS陀螺随机噪声估计;针对MEMS陀螺静态噪声与动态噪声补偿用同一方法处理达不到一定性能的难题,提出了一种由阈值决策静态和动态滤波的工程方法;指出将时间序列用于建立随机噪声的数学模型的缺陷,指出欧美等使用的MEMS陀螺随机噪声补偿的优点与缺点.     

考虑多轴应力与共振影响的随机振动疲劳寿命预测

目前工程上计算结构随机疲劳寿命时,仍经常采用基于单轴拉-压疲劳寿命(Stress-Number of cycles,S-N)曲线的应力寿命方法。虽然使用简单方便,但这种方法不仅忽视了单轴S-N曲线且不能准确反映结构在多轴应力状态下的疲劳,还忽略了随机振动中共振对结构疲劳寿命的影响,因此该方法在预测结构在随机振动下的疲劳寿命时与实际寿命往往有较大误差。对此引入三轴因子来反映结构在随机振动下的多轴应力状态,同时推广得到其在频域上的表达式,并在此基础上引入非线性函数,提出了一个新的随机振动疲劳损伤参量——多轴振动因子。新的损伤参量不仅同时考虑了结构随机振动下的多轴应力状态与共振对疲劳寿命的影响,而且该损伤参量形式简单,便于工程应用。利用新的随机振动疲劳损伤参量,得到了适用于随机振动下的多轴S-N曲线,从而建立了一种新的随机振动疲劳寿命预测方法。通过对7075-T6和LY12CZ铝合金缺口试件的随机振动疲劳寿命进行预测,结果表明该方法较准确地预测了两种缺口试件随机振动下的疲劳寿命。     

采用局域像素匹配的随机抽样一致改进算法

为提高图像拼接的配准精度和稳健性,提出基于局域像素匹配的随机抽样一致改进算法。在完成尺度不变特征变换算子或其他算子图像特征提取、特征匹配之后,利用独立于特征匹配点的局域像素,通过参考图像局域像素与映射的待拼接图像局域像素匹配,优选4对最佳特征匹配点,确定最佳单应矩阵。实验结果表明:与随机抽样一致经典算法相比,该方法未明显增加计算耗时,单应矩阵更准确,图像拼接稳健性更好。     

基于大规模贝叶斯网络的安全性分析算法

贝叶斯网络计算量随着节点数增多呈指数增长,限制了大规模贝叶斯网络在安全性分析中的应用。为此,利用独立性条件分解整个网络,压缩推理时显式表达的项数,给出了计算顶事件发生概率及割集的算法,并分析了算法复杂性。在满足工程需要情况下,将提出算法与基于BDD算法相比,该算法表现出占用内存少、运行速度快的良好性能。     

Adaptive random search for continuous simulation optimization

We present, analyze, and compare three random search methods for solving stochastic optimization problems with uncountable feasible regions. Our adaptive search with resampling (ASR) approach is a framework for designing provably convergent algorithms that are adaptive and may consequently involve local search. The deterministic and stochastic shrinking ball (DSB and SSB) approaches are also convergent, but they are based on pure random search with the only difference being the estimator of the optimal solution [the DSB method was originally proposed and analyzed by Baumert and Smith]. The three methods use different techniques to reduce the effects of noise in the estimated objective function values. Our ASR method achieves this goal through resampling of already sampled points, whereas the DSB and SSB approaches address it by averaging observations in balls that shrink with time. We present conditions under which the three methods are convergent, both in probability and almost surely, and provide a limited computational study aimed at comparing the methods. Although further investigation is needed, our numerical results suggest that the ASR approach is promising, especially for difficult problems where the probability of identifying good solutions using pure random search is small. © 2010 Wiley Periodicals, Inc. Naval Research Logistics, 2010