弹道导弹打击航空母舰末制导寻的方法研究

在弹道导弹与航母战斗群的攻防对抗中,弹道导弹需要采用有效的寻的方法以便在对抗中占优势。通过分析航母的运动特性,建立了预测其运动态势的数学模型;在此基础上,采用预测落点的末制导方法,在导弹弹头再入大气层后,通过多次预测和修正,实时修正由于航母运动和再入过程中大气影响等各种干扰因素所引起的落点偏差,以保证弹头能以较好的精度命中目标。从数字仿真结果来看,该方法成功率高,且制导精度较高,具有较强的工程应用价值。     

钻地核弹的战时使用后果分析

钻地核弹被认为是对付坚固点目标,特别是藏有化生武器的加固深埋目标的有效武器,但使用钻地核弹袭击摧毁这类目标的同时将导致核化生物质大量外泄,产生严重的附加毁伤,就这种后果进行了分析预测。     

弹体压心位置变化对末制导炮弹弹道的影响

首先对比弹体压心位置变化对火箭增程弹道和末制导炮弹名义弹道的不同影响，重点分析弹体压心位置变化对末制导炮弹末导段弹道的影响特点，得出弹体压心位置变化对末导段弹道的捕获域和有效攻击区有着重要影响的结论。该结论对末制导炮弹的射表编拟以及新型末制导炮弹的设计都具有重要指导意义。     

基于云模型-AHP的制导弹药射击效能评估

对制导弹药的射击效能进行评估在仿真试验领域具有重要的意义。依据某制导弹药的工作原理及影响其射击精度的主要因素,制定了其射击效能评估指标体系。运用层次分析法(AHP)计算了各级指标的权重,划分了评估等级,并在各个指标隶属度的计算中引入了云模型算法。最后,将评估结果以隶属云的数字特征的形式表示出来。     

智能搜救机器人在障碍地形的自主构型规划

为了解决带有辅助摆臂的智能搜救机器人自动规划构型以实现自主越障的难题,提出一种能够适应复杂地面形状的搜救机器人越障构型规划新方法,其核心是一种高适应性、高效率的机器人姿态预测算法。通过将地形表示为离散的点集,建立了搜救机器人的单侧姿态预测数学模型;进一步提出了快速求解该问题的算法,每秒可预测1 000～1 500个姿态。基于此,设计了机器人越障过程中状态、动作的评价指标,运用动态规划算法与滚动优化思想构建了具有优化能力的、能够实时运行的构型规划器。仿真与实物实验的结果表明,该方法能够使机器人自主调整构型穿越复杂地形,且相较强化学习算法和人工操作具有更平稳的越障效果。     

基于注意力机制的兵棋对抗态势预测方法

以不可观察算子实时位置预测为例进行兵棋对抗态势预测方法研究。训练基于注意力机制的陆战场战术级兵棋不可观察算子实时位置端到端预测模型。对高维离散兵棋态势特征进行低维嵌入,用多头自注意力机制学习特征交叉,通过把兵棋地图的各个六角格视为单独的类,将算子位置预测转化为稀疏特征下的多分类问题,达到33.47%的top＿1预测准确率,相较其他模型至少提高2.57个百分点,并具有良好的可解释性。     

基于深度置信网络的火炮炮口振动预测研究

火炮炮口振动数据准确预测后,可以对火炮随机振动误差进行补偿,对高机动条件下提高装备火控系统的精度具有重要意义。机器学习方法的进步为提高数据预测精度提供了有效途径。提出一种基于深度置信网络的火炮炮口振动预测模型,通过定义阶段、预处理阶段、训练阶段、测试阶段和评价阶段5个阶段,对火炮炮口振动数据进行了预测。结果表明,深度置信网络对炮口振动数据预测可以根据历史数据提取更丰富的数据特征,相较于传统BP神经网络,可以达到更好的预测精度。     

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。     

前置点比例导引制导律对抗拖曳诱饵研究北大核心

以典型拖曳式诱饵干扰模式为设计对象,结合导引头跟踪诱饵的工作模式和前置点比例导引制导律的设计,对末制导抗拖曳干扰导引方法进行了理论推导与分析,为导引头抗拖曳诱饵干扰措施的设计与验证提供了理论依据。     

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。