雷达侦察效能对防空兵群抗击效率的影响评估

从信息化条件下防空作战的实际需要出发,描述了搜索雷达与火控雷达的侦察效能对群抗击效率影响的基本特点,运用概率论和防空兵射击指挥理论,建立了防空兵群分散指挥和集中指挥时,搜索与火控雷达发现目标概率对群抗击效率影响的数学模型,结合实例计算分析了选择射击指挥方式时搜索雷达发现目标概率的临界值。     

阵列雷达自适应多零点单脉冲群目标测角算法

针对阵列体制雷达，由极大似然估计导出自适应多零点单脉冲测角原理。分析发现迭代步长过大导致双零点单脉冲技术在多目标条件下失效，因此提出加权步长改进角度估计的迭代过程，只需要较少计算量就能实现群内多个目标的精确测角。仿真结果表明：该算法在较高信噪比条件下可以精确测量群内三个目标角度，测角误差约为0.15倍波束宽度；当群目标数较多或者目标相位差接近于0时，算法性能下降明显。     

基于可视化HPSO的无人机装备维修任务调度

分析了目前军用无人机装备维修任务调度问题的组成及现状,构建了改进的混合粒子群算法,通过离散化粒子群简化粒子论域,加快计算速度;引入浓度监控机制,综合粒子浓度分布和适应度大小两方面信息,对进化过程进行调控;结合遗传算法,增加粒子间的交叉、变异,加快粒子群进化速度,防止陷入局部最优;并在Matlab环境下对图形展示函数进行优化,实现迭代过程动态可视。最后通过实例分析,高效计算得出最佳调度方案,实现了混合粒子群算法在装备资源调度问题的有效应用。     

过失速机动的AUKF-WNN气动力建模及仿真

为使所建立的气动力模型能够准确刻画复杂动态特性,提出一种基于改进UKF算法的小波神经网络(Wavelet Neural Network,WNN)飞行数据失速气动力建模方法。引入一种自适应因子来改善无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的性能;按照飞行数据的气动力建模流程,利用改进UKF算法对WNN参数进行最优化估计,构建失速现象的气动力模型。实验结果表明,针对飞行器失速的气动力建模问题,基于改进UKF算法的WNN建模方法,在建模精度和速度方面,优于传统神经网络和其他现有WNN方法,因此,使用提出飞行器失速的气动力建模方法是可行和有效的,得到预测结果也能准确刻画飞行器失速的动态特性。     

一种基于改进K-means算法的空间群划分方法

空间群划分是兵力分群的重要环节,其关键在于确定"距离"度量函数、分群数目和初始分群中心。传统算法的初始聚类中心和聚类数目不固定,直接用于空间群划分将使得划分结果不稳定。为此,提出了一种基于改进算法的空间群划分方法。利用了现有空间群划分方法中的距离函数改进策略计算敌方作战单元两两之间的"距离",引入一种快速搜寻高密度点的方法,确定了初始分群中心和分群数目,通过仿真实验验证了该方法的有效性。     

模糊Petri网的自适应粒子群优化方法研究

模糊Petri网对专家知识库的模糊规则具有较强的表达能力,但其缺乏学习能力使得模型参数的确定较为困难,针对此问题提出一种适合于模糊Petri网参数确定的自适应粒子群优化算法。分析了模糊Petri网对专家知识库的模糊规则建模方法;研究了粒子群优化算法及其各种改进算法;在此基础上,提出适合于模糊Petri网参数确定的自适应粒子群优化算法。最后,以无向网络可靠性估计为例,通过实例分析并与基本粒子群优化算法进行比较,证明了所提方法的有效性和优越性。     

基于改进粒子群优化算法的发动机故障仿真

为对发动机的稳态故障特性进行有效分析,提出了一种基于改进粒子群优化算法的故障仿真方法。首先将描述系统性能的非线性方程组,转化为带约束的最优化形式,通过设置式中参数可以仿真不同状况下的系统故障。并且提出运用一种改进的粒子群优化算法来为解决描述系统的高维、非线性函数,该算法在初始化时,运用混沌的思想,使得粒子分布遍历所有状态;在进化时,运用的免疫的思想,设置了基于适应度的克隆算子与变异算子增加粒子的多样性;在免疫选择之后,对各个粒子的速度也进行了重新设置,增加了粒子寻找全局最优的能力。实验结果表明,改进的粒子群优化算法能够有效地求得最优解。     

基于贝叶斯混合博弈的空袭火力资源分配决策模型

从博弈论的角度出发研究空袭火力资源的分配问题,针对空袭编队和防空火力单元攻防对抗过程中存在的不确定性、静态性以及动态性,建立基于贝叶斯混合博弈的空袭对抗火力分配模型。通过构造贝叶斯混合博弈树,采用逆向回溯法分别建立不同的博弈分析模型,利用混合粒子群算法求解那什均衡。仿真结果表明:以博弈论为背景研究空袭作战火力分配问题,符合真实的作战坏境,有效性好,有较高的理论应用价值。     

云模型改进惯性权重的混沌交替粒子群算法

标准粒子群算法通过线性减小惯性权重系数来调整寻优性能,但缺乏智能化机制易导致算法后期产生早熟或陷入局部最优而产生僵局。针对这一问题,提出一种基于云模型改进惯性权重的混沌交替粒子群优化算法。根据粒子迭代变化关系,采用云模型理论对惯性权重ω进行智能化调整,以平衡其全局和局部搜索能力,防止算法产生局部僵局;另外,判定粒子稳定性,对于可能陷入局部僵局的稳定粒子进行混沌扰动,促使其跳出僵局进而向最优位置更新。实验与分析表明,基于云模型改进惯性权重的混沌交替粒子群优化算法能够跳出局部僵局且具有较高的寻优精度,算法接近完全收敛时的平均迭代次数,较现有相关研究分别降低了13.73%~20.11%。     

基于“当前”统计模型的衰减因子自适应跟踪算法

针对机动目标跟踪问题,叙述了加速度方差自适应的"当前"统计模型.提出了一种具有自适应衰减因子的滤波算法,并对该算法进行了较为深入的理论分析.这种衰减记忆滤波具有集机动检测与参数自调整于一体的能力,最后Monte-Carlo仿真结果表明,这种自适应算法较原算法有较大的改进.