基于非线性Kalman滤波的导航系统误差补偿技术

针对非线性非高斯导航系统信息处理问题,采用自组织算法、神经网络和遗传算法等改进传统非线性Kalman滤波算法,构建一种自适应的组合导航系统。应用具有冗余趋势项的自组织算法、Volterra神经网络和遗传算法,建立导航系统误差的非线性预测模型,进而计算得到其预测值;将该预测值与Kalman滤波算法求得的估计值进行比较得到差值,以此监测Kalman滤波算法的工作状态;采用自适应控制方法,在导航系统结构层面改进Kalman滤波算法,构建新型的导航系统误差补偿模型。开展基于导航系统KIND-34的半实物仿真研究,应用所提出的改进方法改善了导航系统误差的补偿效果,提高了组合导航系统的自适应能力和容错能力。     

北斗卫星伪距信号质量评估及偏差校正

针对北斗卫星信号存在系统性伪距偏差的问题,从多路径角度评估北斗三频信号的质量,验证了该项偏差与卫星轨道类型、卫星仰角及信号频率有关。为消除这一系统性偏差的影响,采用连续分段线性函数建立北斗三频伪距偏差校正模型。与现有的改正模型所不同,所提模型不仅采用了更长时间范围内的北斗实测数据,更为重要的是它顾及了改正数的精度信息。基于动态精密单点定位的实验结果表明,采用所提方法修正后,接收机定位性能有明显提升。     

离心机试验中惯导平台误差系数辨识方法

针对离心机试验中惯导平台误差系数辨识问题,提出一种6位置辨识方案。建立误差系数辨识的非线性模型,再利用扩展卡尔曼滤波估计误差系数。由滤波中的估值方差矩阵计算各误差系数之间的相关系数,用相关系数分析系统的可观性,并将所有相关系数之和最小作为优化指标,利用遗传算法得到最优的位置组合。仿真结果表明,采用该方案可以有效辨识出惯导平台中与加速度高阶项有关的各项误差系数。     

用于DDR3访存优化的数据缓冲机制

为提高DDR3控制器访存效率,设计了基于DDR3存储器预取访问数据长度的数据缓冲机制,将访存请求分为三种基本类型并分别排队处理,降低数据丢弃和实际动态随机访问存储器访问发生次数。针对图像和视频类应用程序的实验结果表明,相对于传统先到先服务的DDR3访存控制器,该机制取得了平均21.3%、最好51.3%的性能提升,硬件开销在可接受范围内。     

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。     

悬浮式深弹反鱼雷武器系统的有效拦截域分析

针对悬浮式深弹反鱼雷武器系统在作战使用中需对目标的可拦性进行快速判断的需求,提出了系统有效拦截域的概念,又根据系统作战流程和工作原理,将有效拦截域判断条件细化为时间域和空间域两个方面判据,进而构建了基于实战中可获取的战场态势等相关信息计算系统有效拦截域的数学模型,并具体给出了一个计算实例。研究结果可为其作战使用提供一定参考。     

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。     

邻频干扰对跳频GMSK接收机的性能影响分析

在考虑跳频系统中系统用户数、可用频点数、信道参数和环境噪声因素的条件下,重点研究邻频干扰(ACI)对跳频系统典型GMSK接收机误码率(BER)性能的影响。研究了GMSK非相干平方律接收结构和包络检波接收结构,通过分析接收信号经过各接收单元的变化,得出判决信号的解析表达式;通过分析判决信号的概率密度函数和特征函数,推导得出跳频系统在ACI影响下的系统BER公式。仿真结果表明,该理论能够评估ACI对跳频系统典型GMSK接收机的BER性能影响。     

基于多侦察资源的电子侦察作战效能评估模型

现代战争战场环境越来越复杂,准确发现目标的难度越来越大,靠单侦察设备独立完成侦察任务已难以满足作战需要。通过建立多侦察资源的电子对抗侦察效能评估模型,对来自同一作战平台的不同侦察设备和来自不同平台的侦察设备的数据进行融合,最大限度地发挥各侦察设备的作战效能,为决策者提供作战使用依据。     

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。