引入权重因子的证据合成方法

D-S理论是一种有效的不确定性推理方法,但在证据完全冲突或冲突较大时,D-S证据合成公式失效.Yager等学者对此作了改进,但是改进后合成公式又存在着新的问题.考虑到证据在合成过程中的重要程度不同,将权重因子引入到合成公式中,通过权重因子的作用和冲突概率的重新分配,提出了引入权重因子的D-S证据合成方法,新的合成公式提高了证据合成的可靠性和合理性,可得到更为理想的合成结果.     

直升机低空突防中威胁因素的作用距离

分析了武装直升机在实施低空突防时的主要威胁来源.通过对雷达探测原理和低空条件下雷达受到的限制分析及其威胁作用距离计算,阐明了低空探测时常规雷达的不足,介绍了目前新的低空电磁探测方式;通过红外探测、噪声探测的原理和特点研究,表明了这两种方式在直升机低空突防威胁中的重要性,计算了其作用距离;讨论了上述三种方式作用距离,计算结果可以为航迹规划中参考轨迹和安全走廊的确定提供了参考.     

提高惯导系统Unscented卡尔曼滤波实时性技术

Unscented卡尔曼滤波(UKF)通过构造一组,具有与给定状态估计相同的一、二阶矩,也可能是高阶矩的样本点,实现对非线性系统的状态估计,因此其计算效率取决于能够捕获这些数字特征的样本点数目.通过构造n 2个样本点来捕获n维状态变量的均值和方差,提出了将这种方法应用于惯性导航的初始对准.仿真结果表明在同等滤波精度的情况下,该方法比UKF计算效率更高,实时性更好.     

某型小口径高炮动态跟踪系统误差分析

在该型小口径高炮系统的指标中,对于高炮动态射击精度、火控跟踪精度和随动系统精度都是既有随机误差要求,又有系统误差要求.将火控动态跟踪系统误差作为非常重要的考核指标,却与外场测试结果有差别.从动态跟踪系统误差的产生、分类和内涵出发,通过建立动态跟踪数学模型,并结合作图对其原由进行了深刻的分析.     

自治式潜水器规避航行神经网络控制器设计

在规避机动状态下,为了实现对自治式潜水器良好的航行控制,通过分析潜水器的运动状态,建立了运动状态方程,确立了非线性单输入/单输出系统.同时,将复杂的非线性模型通过微分同胚的方法转化为降阶的线性模型,并在此基础上提出了一种基于神经网络的控制方法:将滑模控制思想、反馈线性化理论及神经网络在线建模方法相结合,提出了基于神经网络的鲁棒自适应控制算法,并将此方法用于自治式潜水器高度保持的仿真中,从仿真的结果来看,控制器具有满意的控制效果,证实了该方法的有效性,能为自治式潜水器航行控制提供一定的参考.     

某型飞机采用DCCIP方式投放炸弹的精度分析

分析了影响DCCIP攻击方式轰炸精度的各种误差源,针对某型飞机平显火控系统的不同组合方式,建立了相应的精度分析数学模型,采用定型试飞数据,仿真计算了各种组合方式下的水平DCCIP轰炸精度.仿真计算结果与定型靶试数据吻合,在某型飞机平显火控系统的靶试的定型中得到了实际应用.     

改进粒子群算法在导弹火力分配中的应用

粒子群优化算法是一种新兴的优化技术,思想来源于人工生命和演化计算理论.由于该算法简单易实现,可调参数少,目前已得到广泛研究和应用.在建立导弹武器火力分配数学模型的基础上,运用改进粒子群算法对模型进行了最优化求解,实例的计算结果表明该优化算法对于模型的求解具有较好的收敛性.     

ISDT算法的数据压缩处理及其性能分析

过程数据的实时压缩和趋势提取可以显著提高过程控制系统的整体性能.传统的SDT数据压缩算法不能很好地适应现今过程控制的要求,无法获得满意的压缩结果.针对SDT算法的弊端,提出了一种改进的SDT数据压缩算法,并进行了两种算法的性能对比.对合成数据仿真计算的分析结果表明,基于ISDT算法的过程数据压缩性能有大幅度的提高,更好地满足了现今过程控制中实时数据处理和趋势分析的要求.     

基于提升五株形小波的图像融合

在提升五株形小波多尺度分解的基础上,给出一种新的像素级图像融合方法.该方法利用提升五株形小波变换对每一幅图像进行多尺度分解,按照不同的融合规则,采用多种融合算子去构造融合图像对应的各小波系数,再根据融合图像的各小波系数重构融合图像.该方法被成功地用于模糊图像的融合处理.试验结果表明该融合方法十分有效,获得的融合图像更符合人们的视觉特性、更有利于进行监视和侦察之类的视觉感知.     

枪械产品故障树的模糊分析

事件发生概率的获取是故障树分析(FTA)中的重要环节,然而在一些故障发生频率很低的场合,要获得大量的故障数据几乎是不可能的,传统的故障树分析把事件发生的概率处理成精确值,忽略了数据的不完备性及环境的模糊性.针对这一问题,在枪械产品的可靠性研究中提出了模糊故障树分析方法,将现有统计数据和工程技术人员的经验结合起来,在容许误差范围内,求解出了事件发生概率的取值空间,使结果更接近实际情况.