信息错误检测项目的关系分析

从提高信息质量这一目标入手,定义了理论信息错误类别空间、可检测信息错误类别空间、检测项目集等基础概念,分析了检测项目集之间的对等、相交、包含和互斥等4种关系及其特点,形成了信息错误检测项目集的2种生成与优化方式,以及若干优化原则,并给出各原则的优先顺序。     

集成电路方波脉冲注入损伤效应实验研究

为了得到各损伤参数随脉宽的变化规律,寻找建立评价复杂EMP波形对集成电路损伤模型的依据,对2种典型的集成电路器件进行了方波脉冲注入损伤实验。结果表明:RAM6264损伤电压、电流及功率均随脉宽增大而减小,损伤能量处于某一小范围之内,可能属于能量损伤型器件;BG305损伤电压、功率随脉宽增大而减小,损伤能量随脉宽增大而增大,损伤电流处于某一个小范围之内,可能属于电流损伤型器件。     

方波注入对组合电路损伤效应研究

以某型雷达系统为试验对象,选取典型系统的组合电路,进行方波脉冲注入对比试验,研究了电磁脉冲对系统中组合电路的损伤规律。试验表明:电磁脉冲对组合电路的损伤与电路结构有关,损伤过程是一个渐变的过程,注入脉宽越大其损伤电压越小,能量可能是造成电路功能损伤或失效的主要因素。     

接触触发式测头触发力的理论分析

对用于三坐标测量机及数控机床的接触触发式测头在触测发讯时的触发力进行了理论分析和计算,得出了触发力的大小与其结构参数之间的关系,从而为触发式测头的误差补偿提供了理论基础。     

基于激励机制的装备采办风险总量控制

针对装备采办中的风险总量控制,提出一种激励方式来提高承包商的积极性。在单目标风险控制模型的基础上,建立了多目标风险控制模型,推导出了激励机制下风险控制的最优合同公式。对激励机制中存在的两类错误进行了理论分析和实例验证,得出了两类错误对收益的影响,并在成本控制中得到了应用,有效地提高了装备采办的质量和效率,为军方决策者在装备采办中提供了合理的参考依据。     

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。     

基于改进平方根UKF双向滤波的单站无源定位算法

针对单站无源定位可观测性弱、观测噪声大而导致的定位精度低、稳定性差和收敛速度慢等问题,在结合平方根无迹卡尔曼滤波(Square-Root Unscented Kalman Filter,SRUKF)以及后向平滑思想的基础上,提出了一种改进SRUKF的双向滤波算法。该算法采用Q-R分解的形式,使用误差协方差的平方根代替协方差参与递推运算,提高了算法的稳定性与运算效率。同时,该算法对状态向量进行扩维,将过程噪声与观测噪声通过非线性系统传播,降低了噪声对滤波精度的影响,并利用当前时刻滤波结果通过Rauch-Tung-Striebel(RTS)后向平滑得到再次前向滤波更高精度的起始值,提高了算法的定位精度与收敛速度。仿真结果表明,新算法在保证实时性的基础上改善了单站无源定位的性能。     

基于多点空间直线拟合的调炮精度检测方法

针对火炮身管上标记两个点检测调炮精度受制于单个空间点坐标测量精度的问题,提出通过增加身管上标记点的冗余数量来提高调炮精度的检测方法。应用最小二乘原理对多个空间点进行直线拟合,并采用Monte Carlo方法对身管指向的测量精度进行分析。结果表明:标记4个点、5个点、6个点和7个点与标记2个点(传统方法)相比,其身管指向的测量精度分别提高了约6%、18%、19%和21%。该方法适用于对调炮精度检测要求较高的场合,综合考虑工作效率和测量精度这两个因素,推荐标记5个点测量身管指向。     

基于遗传神经网络算法后勤指挥决策能力预测

分析了后勤指挥的主要影响因素,运用信息论中的信息压缩原理,建立和优化了后勤机关指挥决策能力预测指标体系。建立了遗传算法优化的BP神经网络后勤机关指挥能力预测模型,消除了BP神经网络存在的初始权值和阈值难以确定的局限性。给出了预测实例,证明了该算法的合理性和有效性。     

Model parameter estimation and residual life prediction for a partially observable failing system

We consider a partially observable degrading system subject to condition monitoring and random failure. The system's condition is categorized into one of three states: a healthy state, a warning state, and a failure state. Only the failure state is observable. While the system is operational, vector data that is stochastically related to the system state is obtained through condition monitoring at regular sampling epochs. The state process evolution follows a hidden semi‐Markov model (HSMM) and Erlang distribution is used for modeling the system's sojourn time in each of its operational states. The Expectation‐maximization (EM) algorithm is applied to estimate the state and observation parameters of the HSMM. Explicit formulas for several important quantities for the system residual life estimation such as the conditional reliability function and the mean residual life are derived in terms of the posterior probability that the system is in the warning state. Numerical examples are presented to demonstrate the applicability of the estimation procedure and failure prediction method. A comparison results with hidden Markov modeling are provided to illustrate the effectiveness of the proposed model. © 2015 Wiley Periodicals, Inc. Naval Research Logistics 62: 190–205, 2015