利用支持向量机的矢量跟踪通道故障检测算法

为了克服卫星导航矢量跟踪接收机中故障通道对其他正常通道的影响,提高矢量跟踪接收机的鲁棒性,提出一种利用支持向量机的通道故障检测算法,利用矢量跟踪接收机的导航滤波器的新息序列作为支持向量机的输入。支持向量机的输出为通道的状态,根据支持向量机的输出通道的状态来判断该通道是否纳入导航滤波器,用来跟踪滤波器状态值,这样能够有效地避免故障通道对导航结果的污染。仿真实验结果表明:该方法能准确地检测出有故障的通道,提高矢量跟踪环路的鲁棒性。     

采用小弹性模量方法的空间飞网构型优化设计

飞网构型设计对提高空间飞网系统的展开抓捕性能具有重要意义。用小弹性模量分析方法对空间飞网构型优化设计问题进行研究。以绳网中内力分布均衡性为优化目标,选取飞网抛射过程中最大受力时刻为研究工况,赋予绳索单元极小弹性模量,进行静力学计算,并以变形后的结果为初始条件进行迭代分析。优化结果表明,绳网中的内力分布随迭代步数的增加而更趋于均匀。在不改变绳网拓扑结构的前提下,所建立的优化设计方法为空间飞网构型优化设计提供了一种参考途径。     

应用于卫星导航功率倒置阵的改进LMS算法*

采用功率倒置准则的自适应天线阵特别适合于弱信号、强干扰的场合,因而在卫星导航系统中得到了广泛的应用。针对基于最小均方误差(LMS)算法实现的卫星导航功率倒置阵在干扰数目或干扰功率突然减少时,算法收敛慢、影响信号接收性能的问题,分析了这一现象的产生机理,并提出了相应的改进算法。改进算法通过功率监测来检测干扰数目或干扰功率的突变,然后对LMS算法进行复位处理重置权值来达到迅速收敛的目的。仿真结果表明,与原算法相比,改进算法可显著提高功率倒置阵的收敛速度。     

基于Delphi-BP神经网络的装备保障能力评估

针对评估指标数量过多可能给评估过程及结果带来的弊端,在构建装备保障能力评估指标体系基础上,给出了基于Delphi法的指标体系筛选的方法步骤,通过计算累计贡献率,对指标体系进行了筛选,降低了评估模型的输入维度。建立了评估部队装备保障能力的三层BP神经网络模型,利用Matlab神经网络工具箱对网络进行了训练和仿真,结果显示误差小于10-3。最后,通过对比评估,验证了方法的有效性和正确性。     

战术通信网组网方案评估优选方法

在当前信息化的战场环境下,战场环境瞬息万变,战术通信网作为信息化战争的神经中枢,起到了至关重要的作用,然而组网方案的好坏直接决定着通信网性能的优劣,因此,如何在战场环境下快速、自动、客观地评估战术通信网组网方案是一个亟待解决的问题。通过分析战术通信网的特性和要求,提出了战术通信网组网方案评估指标体系,并采用熵权灰关联的方法对组网方案进行评估优选,该方法方便快捷并且可以编程实现,不仅能够在战场环境下实时、自动地对组网方案进行评估优选,而且评估结果也符合实际情况,为指挥员提供了决策依据。     

基于新的定位方法的空投技术研究

针对空投技术的定位问题,提出了一种新的定位方法。首先,在空投目标区域放置发射机,发射天线在3个方向形成彼此相交的波束,发射机与3个波束的交点构成中心线,3个波束关于中心线对称。其次,发射天线在3个方向发射相同功率,不同频率的信号。最后,载荷上的接收机实时接收信号,经傅里叶变换得到信号频谱图。3个信号功率相等时载荷位于中心线上,保持现有飞行方向;3个信号功率不等时,根据偏离中心线的位置对飞行方向进行调整,确保载荷能够准确到达目标区域。该方法具有较高的定位精度,能够适应复杂电磁环境。     

基于贝叶斯网络的作战目标评估

在作战指挥决策活动的筹划阶段,对敌体系要害和关键点的分析,当前尚未形成系统方法。针对此问题,利用贝叶斯网络在非精确知识表达与推理领域的优势,提出了综合考虑目标价值、打击难度、打击效果等因素的作战目标评估模型。根据判别贝叶斯网络分类器性能优于生成贝叶斯网络分类器的特点,在经相关领域专家论证的样本数据集的基础上,采取梯度下降法训练得出评估模型各结点条件概率分布。最后,利用Netica仿真软件,经样本数据测试,证明了作战目标评估模型的合理性。     

基于复杂网络的武器装备体系贡献度评估分析方法

根据结构决定功能的系统论观点,基于复杂网络理论对武器装备作战体系网络的拓扑结构进行了分析,构建了基于不确定性自信息量的武器装备作战体系作战效能分析模型,提出了计算武器装备体系贡献度的方法,并通过算例验证,探讨了网络结构演化及度量参数改变对武器装备体系贡献度的影响,为武器装备体系贡献度评估分析提供了技术支撑。     

基于混合数据挖掘模型预测用户流失

用户流失预测问题广泛应用在银行、金融、电信等多种领域。对用户行为进行有效的预测和分析有助于企业的竞争和了解瞬息万变的市场规律。采用3种混合的数据挖掘模型对用户流失问题进行了研究,以形成一个准确高效的用户流失预测模型。这3种模型应用于数据挖掘的两个阶段:聚类阶段和预测分析阶段。在第1阶段中,对用户的数据进行过滤。第2阶段对用户行为进行预测。第1个模型采用了二分k-means算法进行数据过滤和多层感知人工神经网络(MLP-ANN)相结合进行预测。第2个模型采用层次化聚类与MLP–ANN相结合进行预测。第3个模型使用自组织映射(Self-Organizing Maps)与MLP-ANN进行预测。这3种模型预测分析基于真实数据,用户流失率采用3种模型混合计算的方式得出结果并同真实值进行比较。分析结果表明采用多模型的混合数据挖掘模型的数据准确度优于普通的单一模型。     

基于自然连通度的复杂网络节点重要性度量方法

节点重要性度量是复杂网络研究中的热点问题。从复杂网络的抗毁性指标入手,给出了自然连通度的定义,并且以此为基础设计了基于自然连通度的复杂网络节点重要性度量方法。最后以著名的风筝网络为例,分析了该方法的适用性,并与其他经典的节点重要性度量方法进行对比,证明了该方法的合理性。