基于粗集理论证据加权的电子目标识别法

在对电子目标进行识别时,往往采取多传感器融合的D2S证据理论进行处理,但是由于传统的D2S证据理论中各传感器对识别结果的重要性没有区分,基于此将粗集理论属性重要度概念应用到各传感器的重要性上,从而实现加权融合的证据理论。仿真实验及其结果表明该方法对电子目标识别是有效的,尤其在传感器受到干扰时,具有较强的现实意义。     

基于协商的Agent资源冲突消解算法研究

针对分布式规划系统中Agent计划的资源冲突问题,研究了资源冲突的分类;基于Agent协商理论,从资源最优配置的角度,论证了最优的协商策略,提出了可重复利用的不可分享型资源的冲突消解算法,较好地解决了Agent分布式规划中出现的一类资源冲突问题。算例表明,给出的冲突消解算法是有效的。     

匈牙利法的末段两层火力反TBM目标分配优化

介绍了匈牙利法解决Assignment Problem的基本原理,对匈牙利法解决指派问题的解题步骤和特殊情况进行了说明。在给出末段两层火力防御TBM的目标分配原则的基础上,阐述了相关概念,改进了匈牙利法运用方式,并建立了目标分配模型。最后通过实例的解算,证明了该方法应用于末段两层火力防御TBM目标分配中的可行性,为末段协同反TBM的目标分配提供了一种有效的算法。     

改进的拉格朗日松弛数据关联算法

在多传感器多目标跟踪领域中,当传感器为被动式的,传统的多维分配算法利用拉格朗日松弛算法求解.拉格朗日乘子更新一般用次梯度方法,但每次迭代都要进行多次极小化运算来求对偶解,导致实时性差.针对这个问题,提出了一种改进的基于拉格朗日松弛的数据关联算法,通过代理修正次梯度方法更新拉格朗日乘子,并在允许时间内获得近似解.仿真实验...     

航天装备大数据资源平台构建技术研究

航天装备研制涉及论证、研制、生产、试验、综合保障等各个环节,所产生的数据具有种类多、数据量大、异构性强等特点,且数据资源分散于各科研机构院所,形成一个个数据孤岛,严重制约了型号数据的统一管理和协同应用。为了建立“逻辑统一、物理分散”的航天装备统一大数据中心,本文提出一种航天装备大数据资源平台构建技术,该平台基于统一的数据编目规范,综合利用云计算、微服务、区块链等技术,可实现多维异构数据深度融合管控,实现基于型号科研生产活动下的数据逻辑统一管理和实体分布式存储,能够解决航天装备整个研制活动全要素全过程的数据采集和可控共享的现实需求,为各业务场景下的数据分析奠定基础。     

多机协同多目标攻击的目标分配和攻击排序

研究了多机协同空战中多目标攻击的目标分配和攻击排序的过程和方法.首先通过对影响空战态势的因素进行分析,提出一种新的综合距离优势、角度优势和能量优势构造综合优势函数的工程方法,并利用综合优势函数计算出目标分配矩阵,然后介绍了在目标分配矩阵上进行多机协同目标分配和攻击排序的过程和算法,最后用仿真验证了该算法的有效性.     

论军队院校科研管理资源配置机制建设

分析了目前军队院校科研管理资源配置机制中存在的问题及原因,提出了军队院校建立科学高效优化合理的科研管理资源配置机制的基本思路:建立基于学科的资源优化配置机制;建立和完善资源开放平台和共享机制;建立尊重和适应市场规律、科学合理的人才资源配置机制。     

弹性高超声速飞行器自适应极点配置控制

本文针对乘波体外形的高超声速飞行器存在的结构/推进/气动强耦合特性,利用鲁棒极点配置方法设计了自适应控制器,实现了对高超声速飞行器的速度和高度指令跟踪控制。控制器采用了Proportional-Integral-Filter(PIF)结构,该结构的控制器不仅能够使系统具备良好的稳态特性而且能够对控制信号进行滤波平滑,从而能够有效地抑制高超声速飞行器的弹性振动对控制系统的影响。基于弹性高超声速飞行器模型CSUAL_GHV,分别采用自适应鲁棒极点配置控制方法和自适应非鲁棒极点配置控制方法进行了数值仿真。结果表明,与非鲁棒极点配置控制方法相比,采用自适应鲁棒极点配置控制方法的控制系统不仅使飞行器能够很快地跟踪上速度和高度指令,跟踪误差小于1%,而且高超声速飞行器的弹性振动也得到了有效地抑制。飞行器在整个飞行过程中的飞行攻角均处于±2°范围内,满足超燃冲压发动机的工作要求。     

黄页服务的合同网在编队武器目标分配中的应用

海上舰艇编队协同作战面临的环境日益复杂,其武器目标分配呈现出了多智能体系统的涌现性、协同性和动态性.将编队武器目标分配问题转化成多智能体系统来研究,根据黄页概念建立了编队武器智能体的黄页服务,运用基于黄页服务的合同网协议实现了编队范围内的武器目标分布式分配.     

面向混部云失败批处理作业的预测算法

为了降低混部云失败批处理作业的风险,使用K-means聚类算法将批处理作业分为四类,在分类的基础上提出了二层嵌套分类模型(two-layer nested classification model, TLNM),实现了基于TLNM的预测算法。基于Ali Trace 2018数据集上的实验结果表明,该算法的接受者操作特性(receiver operating characteristic, ROC)曲线明显优于其他常用分类器,ROC曲线下面积(即AUC)可以达到0.978,表明该算法具有良好的分类性能。同时召回率可以达到0.951,通过混淆矩阵可以看出TLNM算法能够准确预测出执行失败的批处理作业。