涉水岸坡稳定性影响参数的敏感性分析

针对常规的敏感性分析所存在的不足,提出用灰色系统理论中的灰关联分析方法对影响涉水岸坡稳定性的诸多因素进行敏感性分析.通过分析表明,在影响岸坡稳定性的诸多因素中,内摩擦角的影响最大,其次分别是外水压力、粘聚力、土体密度和浸润面位置这些因素的影响,而坡高比对岸坡稳定性的影响最小.根据影响参数敏感性的大小,建议在实际工程中,可以优先考虑降低坡体内浸润面位置(增加排水系统),其次考虑改变坡高比(削坡法)的治理方法,来提高涉水岸坡的稳定性.     

含腔体导弹雷达截面高频计算建模

在建立了简化含腔体导弹外形模型的基础上,运用曲面像素法、数值积分法、等效电磁流法等多种高频RCS分析方法,采用目标部件分解法计算导弹各散射源的RCS,根据目标各部分散射场间的相对相位关系,计算出导弹整体RCS,这种理论建模方法简单,物理概念清晰,计算量不大,其计算精度虽不如数值计算法、矩量法、时域差分法等精确算法,但结果可为工程设计和导弹探测技术研究提供部分理论依据.     

分布式系统设计中的互斥问题

介绍了互斥问题的基本概念,并针对分布式系统设计中的互斥问题分析了非基于令牌和基于令牌的两种解决方案.通过对典型算法的分析,有助于对分布式系统形成可操作的数学模型.     

中低空防空武器的费效比计算

武器系统的费效比是指武器系统损失的费用与所获得的效能之比。武器系统性能的好坏,不仅要看武器系统作战效能的高低,而且要考虑综合费用的多少。首次考虑了物价增长指数的影响,在此基础上建立了计算装备使用期武器系统使用费用的数学模型,并分别计算了中低空防空武器的使用费用;建立了计算武器系统费效比的数学模型,分别计算了中低空防空武器的作战效能和费效比。     

复杂环境下防空体系效能评估的网络环模型研究与应用

随着当前防空指挥控制体系正逐步由"以平台为中心"向以"网络为中心"转变,与此相关的网络化的效能分析却一直进展不大,原因之一就在于缺乏合适的网络模型和方法对其进行描述和分析.基于此,通过构建防空指挥控制体系网络环模型,设计了一种求取邻接矩阵Perron-Frobenius特征值(PFE)的评估方法,该模型清晰地反映了防空指挥控制体系的复杂网络化结构,其邻接矩阵特征值能较好地反映防空指挥控制体系的网络化作战效能.通过一个高炮防空指挥控制网络的实例,分别分析了在理想环境和在电磁干扰的复杂环境下,防空指挥控制体系核心转移的过程及其邻接矩阵的特征值,证明该方法结构明晰,简单可行,对防空指挥控制体系的网络化效能分析是有效的.     

MPP虚拟多机系统

ＭＰＰ虚拟多机系统是一个特殊的ＰＶＭ系统，本文阐述了ＭＰＰ虚拟多机系统的系统结构和实现技术，并对ＭＰＰ虚拟机的性能进行了初步测试和分析。     

四支板超声速引射器性能特性试验

对二维喷管构型的四支板超声速引射器进行冷流试验,分析启动、负载匹配方面的性能特性。试验结果表明:启动特性方面,四支板超声速引射系统的盲腔压力低于3 kPa,引射器入口腔压的迟滞压力比启动压力低15.9%。负载匹配特性方面,四支板引射器在小引射系数、大增压比状态下具有十分明显的优势,当引射系数为0.04时,增压比为11.21;当引射系数为0.10时,增压比为7.0。因此,二维喷管构型的多支板超声速引射器具有良好的启动、负载匹配性能,工程应用潜力较大。     

基于改进直方图算法的雷达信号参数特征提取研究

雷达信号特征提取是雷达信号识别中的重要组成部分,直接影响到识别效果的好坏。在研究直方图算法分析雷达信号特征的基础上,提出2种改进的直方图算法:截断直方图算法和窄带直方图算法,并用仿真实验分析影响算法性能的4个因素,验证了直方图算法提取雷达信号参数特征的有效性。     

岩石地基承载力确定方法评述

针对岩石地基岩体固有特性,在系统分析岩基承载力影响因素、岩石地基的破坏模式的基础上,对当前工程界确定岩石地基承载力的方法给予评述,并对工程中岩石地基承载力确定问题提出以下建议:充分发挥规范的作用,特别是岩石单轴抗压强度确定岩石地基承载力的方法,对折减系数要进一步的完善;加强岩石地基承载力计算理论的研究,建议按照岩石地基的影响因素综合分析确定其破坏模式,按照不同破坏模式确定计算公式;充分发挥数值模拟的优势,在模型和参数两方面做到准确可靠,使其更好地应用于岩石地基承载力的确定.     

纹理影像特征选择及K-means聚类优化方法

Gabor变换和K-means算法是最为常用的纹理分析方法。然而,采用Gabor变换得到的纹理特征向量具有较高的维数,影响算法的运行效率;K-means算法也易受初始类中心的影响而导致分类精度下降。因此,通过Relief算法对采用Gabor变换所提取的纹理特征进行选择,得到合适的纹理特征子集。进一步采用差分进化算法,对K-means算法的聚类中心进行优化从而提高纹理识别精度和效率。实验结果表明:提出的方法所需用到的纹理特征向量的维数相对于原始特征集有大幅降低,较之基本的K-means算法,纹理识别的精度也有较明显的提高。