多级电磁线圈发射器时序触发控制策略

为优化多级同步感应线圈电磁发射器性能,以提高发射速度和能量转换效率为检验指标,以影响上述指标的触发时序为优化对象,采用遗传算法建立单级同步感应线圈型电磁发射器触发位置优化数学模型,计算最佳触发位置,通过数值和有限元两种仿真系统对优化结果的正确性进行验证。采用该方法对两级以及十级同步感应线圈型电磁发射器的触发时序进行优化研究,并进行仿真验证。为解决仿真系统误差问题,提出采用动子线圈在各级的触发位置和速度作为控制因素的双控触发方式,并研究分析仿真过程中触发开关的随机抖动对出口速度误差的影响,得到最佳触发时序控制策略。     

基于矩阵运算的光学零件磁流变加工的驻留时间算法

提出了一种光学零件磁流变加工的驻留时间计算方法.该算法以矩阵运算为基础,首先确定工件上各个控制节点的高度余量,并将磁流变抛光模对各控制节点的材料去除能力体现到去除矩阵中,然后利用非负最小二乘法求解驻留时间向量.采用该算法在自行研制的磁流变抛光机床上进行抛光实验,经过2次迭代加工后,有效口径为145mm的球面镜P-V值达到40.5nm(约为λ/15),RMS值达到5nm(约为λ/125),表面粗糙度Ra值达到0.57nm.     

基于改进蚁群算法的战时不确定性路径规划模型求解

战时路径规划的不确定性包括参数、约束条件和决策目标等的不确定性。以基本蚁群算法为基础，结合随机模拟和模糊模拟技术，提出了一种改进蚁群算法来求解战时不确定性路径规划问题，并通过仿真示例与其他算法进行了比较。结果表明：该算法求解效率更高，求解过程更为直观，能够满足战时不确定性路径规划问题的研究。     

基于预报误差分布拟合的卫星历史机动检测方法

轨道机动会引起在轨卫星的轨道异常，是空间态势感知的重点关注对象之一。为此，提出一种从卫星的两行轨道要素编目数据中检测历史机动的方法。通过分析预报误差检测轨道参数的异常编目值，进而获得相应的历史机动信息。对卫星的两行轨道要素编目数据两两预报求差得到预报误差的样本数据后，利用期望最大化算法可以拟合得到以高斯混合模型表达的预报误差的概率分布模型；以此为基础，可以确定利用预报误差检测轨道参数异常编目值的门限；利用轨道机动与异常编目值之间的对应关系，最终实现机动检测。对典型活动卫星的机动检测结果表明，所提方法能够在准确检出历史机动事件的同时保持较低的误检率。     

改进遗传算法在传声器阵列优化中的应用

规则平面阵列因其结构周期性,在进行波束综合时存在主瓣宽、旁瓣电平高等问题。对此,提出一种基于改进遗传算法的阵列优化方法。设计平面栅格传声器阵列,以满足阵元间距的要求,并构造以主瓣宽度为约束条件、以全局旁瓣电平为适应度的目标函数,对常规遗传算法进行改进,采取个体间自由交叉、随机的阵元数量强制变异的策略来增大种群的搜索范围。通过仿真,得到多个优化阵列,与几种规则平面阵列相比,在不同的信噪比输入下,经过改进遗传算法优化得到的随机阵列均有更好的表现。而相比于几种常规的优化算法,改进的遗传算法具有更强的搜索能力,得到数量更多、性能更优的随机阵列,由此证明了所提方法的可行性。     

陆地车辆导航仪中方位保持温控系统的研究

针对方位保持部件温控系统 ,提出了一种分时分段 PID控制与级间控制相结合的三级温控方案 ,以及用遗传算法进行参数整定的方法。同时 ,介绍了温控系统的软、硬件实现 ,并给出了试验结果。     

海量电磁数据中雷达信号的高效分选方法

针对海量电磁数据中雷达信号难以进行快速准确分选的问题,提出一种新的聚类分选方法,即改进k-means算法的Map Reduce并行化实现方法。通过引入初始聚类中心个数k1、最大聚类中心个数kmax和距离门限rt3个参数,克服了k-means算法需要事先确定k值和易受孤立点影响的局限;基于Hadoop平台实现了对改进k-means算法的Map Reduce并行化,克服了k-means算法串行实现时间复杂度高的局限。最后,实验表明改进k-means算法取得了更高的分选准确率,Map Reduce并行化后具有良好的加速比和扩展性,能够很好地对海量电磁数据中雷达信号进行高效分选。     

基于正切算法的轴角数字转换器设计

提出了一种基于正切算法的轴角数字转换器设计方案,并给出了软硬件实现方法。该方案利用峰值采样和查表求角,解决了正切算法的不连续和溢出问题,比传统跟踪式算法的轴角转换器结构简单,使用方便。     

基于切比雪夫神经网络的软件定义卫星网络智能路由策略

针对现有的软件定义卫星网络中流表占用的三态内容寻址存储器空间不断增加,复杂的流表项查找、匹配过程导致路由转发效率降低,无法满足多样化应用需求的问题,提出基于神经网络的软件定义卫星网络智能路由架构。控制器通过训练神经网络获取数据流的传输模式,并用训练后的神经网络代替流表,在此基础上提出基于Chebyshev神经网络的智能路由策略,交换机根据数据流的业务类型预测其转发路径,以满足卫星网络应用的服务质量要求。仿真结果表明:所提路由策略显著减少了占用的三态内容寻址存储器存储空间,提高了路由效率。     

强化学习框架下移动自组织网络分步路由算法

移动自组织网络是一种无基础设施、由移动通信节点组成的无线网络,具有高动态特性。传统的路由协议并不能适应节点移动性带来的频繁拓扑变化,简单的洪泛路由也会因开销过大降低网络的性能。针对如何在移动自组织网络中自适应地进行路由选择,提出强化学习框架下的分步路由选择算法。该算法以最小链路总往返时延为目标,基于强化学习进行路由搜寻,在筛选出符合目标需求节点集合的基础上,结合置信度选择路由。在链路变得不可靠时,数据包被广播给筛选出的邻居节点集以提升路由可靠性并降低开销。对提出的算法在分组到达率和路由开销等主要性能指标进行数值仿真分析。仿真结果表明,提出的分步路由算法相比于基于强化学习的智能鲁棒路由,在降低开销的同时,保持着相当的吞吐率。