适用于GPU处理的长更新周期卫星导航信号载波相位跟踪环路

针对短环路更新间隔下GPU处理效率受限而长更新间隔下传统跟踪环路在高动态场景下不稳健的这一矛盾,提出一种可适应高动态场景的长更新间隔载波相位跟踪算法,该算法设计了一种低复杂度线性调频信号参数估计方法,实现跟踪初始阶段多普勒及变化率的精确估计进而消除大部分信号动态,在跟踪过程中采用4阶卡尔曼滤波对残余信号相位及动态进行精细跟踪。经仿真验证,200 ms更新间隔下,可实现多普勒一次/二次变化率分别达800 Hz/s、64 Hz/s²正弦运动场景下载波相位的快速稳定跟踪,1次更新即可收敛,跟踪灵敏度低至23 d B-Hz,相位跟踪精度远优于传统3阶锁相环路。     

顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

载人航天器自主故障诊断与预测技术研究进展综述

载人航天器的自主化和智能化使其探索空间和飞行任务范围不断扩展,是主动应对未来太空军民融合领域变革的重要手段。对载人航天器自主健康管理技术这一热点领域的研究进行了综合评述,并对未来研究进行了展望。首先,在阐述载人航天器自主健康管理技术基本概念的基础上提炼了其体系框架;其次,分析总结了载人航天器自主故障诊断与预测技术的研究现状;然后,探讨了研究进展与挑战;最后,从故障机理、智能技术和预测评估三个层面对发展趋势进行展望。综述表明,失效机理和故障模型都还需持续进行研究,以混合智能技术为核心的自主故障诊断与预测技术有望取得突破,进一步发展面向可重复使用载人航天器的准确诊断和预测技术。     

导弹系统电磁兼容预测初探

基于"电磁拓扑"和"电磁屏障"概念,应用"电磁拓扑-图论混合技术"详细阐述了导弹系统的电磁拓扑描述及电磁干扰相互作用关联图,并分析了针对导弹武器系统应用电磁拓扑图论法的基本步骤。     

舰载点防御的崭新前景－未来点预测问题及其重要性

反舰导弹的威胁通过一系列的改进正处在持续不断和危险的发展中,这些改进被逐步引入到四个主要方面.它们包括物理/机械方面(更坚固的导弹弹体、弹头和其它关键部件的装甲保护、以及不敏感炸药的采用);电磁方面("隐形"特征、改进的电子抗干扰设备和更精确的制导算法);作战使用方面(饱和攻击和/或极短距离攻击、沿海地物杂波以及海上运输的存在);以及运动方面(速度和/或机动性的显著提高,尤其在弹道未端阶段).     

一种解决预测问题的新方法及其应用

本文在分析灰色预测和马尔科夫链预测优缺点的基础上,提出了用灰色马尔科夫链解决预测问题的方法并建立了数学模型,最后以我院二年级本科生英语四级通过率为例说明了其应用。     

长江三峡船闸高边坡长期变形预测研究

本文探讨了长江三峡船闸高边坡长期变形预测问题。应用粘弹性理论和反分析方法建立了基于现场位移测量的流变模型识别、流变模型参数确定和边坡体,长期变形预测方法。并且进行了预测计算。     

近海作战潜艇“重出江湖”

在第一次和第二次世界大战期间，潜艇成为在近海和大洋上作战的主要平台。目前，这种优先权又发生了改变。国外许多专家预测，随着时间的推移，大洋作战已渐渐远去，在可预见的将来，离岸500海里范围内的近海水域将成为水下战的主要区域。在近海水域，大吨位的核潜艇行动不便，目标暴露率高，难以担当重任，另外从效费比上来说，     

长短周期记忆网络微调的氧气浓缩器寿命预测模型迁移

针对寿命预测模型迁移问题,提出了一种长短周期记忆网络微调(long short-term memory fine tune, LSTM-fine-tune)的迁移模型,利用理想条件下的试验数据对模型进行训练。在迁移过程中,对部分LSTM网络层进行冻结,利用实际服役环境下的数据对网络其他部分进行修正。为验证模型的泛化能力,采用不同相位与幅值的正弦函数生成数据,通过学习数据获取正弦函数的经验知识,并应用至其他正弦函数的回归,结果表明LSTM-fine-tune模型能够快速拟合,平均均方误差仅为1.033 5,明显低于直接预测误差1.536 8。为通过实际监测数据检验本方法泛化能力,分别获取了试验条件下与实际服役环境下氧气浓缩器的数据,对模型的泛化能力进行验证。结果表明,迁移后训练集预测精度提高了43.0%,测试集预测精度提高了20.2%。