基于云理论的装备技术状态预测

通过分析装备技术状态变化的模糊性和不确定性等特性,提出了基于云理论的装备技术状态预测模型.根据装备技术状态劣化趋势,给出了基于云模型的时间序列状态预测方法,有效地运用了装备状态评估中的主观预测知识.将历史趋势与当前趋势相结合,实现了基于时间序列的状态预测.最后以某装备的发动机为研究对象,对发动机状态的动态评估值进行了预测,验证了该状态预测方法的有效性.     

战时装备保障阵地选址不确定决策方法

针对战时选址属性信息为区间数的情形,提出了一种基于模糊偏序关系的装备保障阵地选址决策方法.首先,建立战时装备保障点选址的评估值模型,并对其进行预处理;然后建立了模糊偏序关系模型,将混合型评估值模型转化为评估关系模型,得到各备选点之间的偏序关系;最后,对偏序关系进行集结,得到全序关系,从而获取方案的优劣排序.这为战时装备保障阵地选址提供了一种新的有效途径.     

LEACH—DRT算法中基于神经网络的数据预测算法

为了保证无线传感器网络中数据的完整性,针对基于LEACH路由协议的动态轮时间算法存在的问题,提出一种基于人工神经网络的数据预测算法。该动态轮时间算法中,部分簇因调整后的轮时间不足以完成数据的采集而丢失数据。数据预测算法结合传感器节点数据具有时空相关性的特点,将时空延迟算子引入神经网络模型,并通过建立的神经网络模型对数据进行预测。仿真时采用伯克利英特尔实验室的传感器数据,通过Mafl软件对模型进行测试并分析仿真结果。实验结果表明：该算法对连续多个数据的预测效果理想,预测误差始终保持在较低水平。     

基于相似性的装备剩余寿命预测研究

为了更有效估计装备的剩余寿命,对基于相似性的寿命预测方法进行研究。首先介绍基于相似性的寿命预测方法的基本概念和流程,然后研究基于高斯核回归的退化轨迹提取方法,在传统欧氏距离的基础上,考虑时间范围的影响,改进相似度计算方式,最后用高斯核密度估计得到剩余寿命的区间估计值.一个数值仿真试验表明,基于相似性的方法能够利用失效历史样本对装备的剩余寿命进行有效预测.     

对岸电子进攻中航母阵位确定方法?

针对航母编队对岸电子进攻作战提出了一种航母编队阵位确定的方法。基于航母编队在对岸电子进攻中的任务,提出了航母编队与岸边距离的基本要求,建立了航母编队与岸边距离的数学模型,仿真计算了模型中各个参数对航母编队与岸边距离的影响。这些模型可用于航母编队在对岸电子进攻中确定航母的阵位,满足航母编队作战使用的需要。     

单站单圈卫星初轨确定方法研究

为实现低轨卫星轨道的快速确定和预报,基于单站单圈雷达站测量数据采用遗传算法和最小二乘法对卫星初轨确定及轨道预测问题进行了研究。通过比较分析不同观测误差下两种方法的仿真结果,验证了初轨确定过程中两种方法的可行性,同时指出了各自的优缺点和适用条件,为不同观测条件下卫星最优初轨确定的方法提供了参考。     

利用星角距不变性标定星敏感器内部参数

提出了一种恒星角距不变的星敏感器内部参数的地面标定方法。较常见的星角距的标定方法不同的是,该方法利用对在0°附近的角度变化较敏感的恒星角距的正弦值建立观测方程;采用两步法分别估计焦距、主点和高阶畸变系数,并采用迭代优化的方法,获得最优估计值。为了确保标定精度,对观测时刻的导航星进行了视位置的修正。实验结果表明,采用星角距的正弦值建立观测方程,估计精度较高,采用考虑高阶畸变的改进正弦法标定后的星角距误差的均方根值为2.2×10-5rad。     

基于灰色神经网络的装甲部队油料消耗预测

油料消耗量的精确预测直接影响装甲部队后勤保障能力的提升,而传统预测模型精度不高,应用范围也有一定的局限,难以满足信息化战争精确保障的需要。提出一种装甲部队油料消耗预测的组合模型,对历史油料消耗数据和油耗影响因素进行统计分析,求出各影响因素与油耗量的关联度作为权重系数;通过改进GM(1,1)模型预测某部队下一次军事行动的油耗量;用GM(1,1)模型的预测值、加权后的各影响因素值和油耗实际值训练网络,对下一次想定的军事行动油耗量进行预测。通过平均相对误差计算表明,组合预测模型比单一的GM(1,1)模型预测精度高,能够较好地指导部队进行下一步的油料供管工作。     

栅格数据处理中邻域型算法的并行优化方法

随着并行计算的成熟,众多数据密集型的栅格处理算法亟需利用并行计算来缩减执行时间.针对其中一类邻域型算法,构建了用于估计是时间代价的串行/并行时域模型,分析了各个组成的代价影响因素,提出了降低数据I/O代价的并行I/O方法和降低数据通信代价的光圈预测方法.实验证明,所提的两个优化方法可以使邻域型栅格处理算法的并行程序更加充分地利用并行计算资源,进而在一般并行化的基础上进一步提升其并行性能.     

回归型支持向量机的机翼结冰冰型预测

飞机结冰严重威胁着飞行安全。针对机翼结冰冰型预测时不确定性因素较多、难以准确预测的问题,提出了一种基于回归型支持向量机的机翼结冰冰型预测方法。在建立冰型模型的基础上,利用回归型支持向量机(Support Vector Regression,SVR)获得冰型多项式系数,从而预测出相关飞行条件和大气条件下的冰型。仿真结果表明,该方法具有较好的预测能力,可以及时提供可靠的结冰信息,为保证结冰条件下的飞行安全提供了保障。