并行离散事件仿真中的DDM机制实现

在并行离散事件仿真系统中实现仿真模型间的互操作机制需要引入类似HLA中定义的声明管理(DM)和数据分发管理(DDM)服务.我们开发的KD-PADSE高性能并行离散事件仿真环境采用谓词断言和对象代理方法在面向对象的并行离散事件仿真系统中实现了基于平行结构和事件调度机制的声明管理(DM)和数据分发管理(DDM)服务.在以千兆以太网互联的10节点Linux集群计算机上,采用DDM机制后仿真模型每秒(物理时间)可以进行1万次属性更新,是没有采用DDM机制时的20倍,在功能性和性能上验证了该DDM机制在并行离散事件仿真系统中的适用性.     

复杂线天线的一种矩量法算法

采用矩量法来计算复杂线天线.针对复杂线天线的特点,选择合适的积分方程和基函数的形式,收敛很快;另外对端点和结点的影响也做了处理,提高了计算精确度.     

关于闭环火控原理中的若干问题

目前火控界对大闭环火控原理中的一些基本概念的看法还不太一致,有的甚至还比较模糊,对这些基本概念的深入探讨,对大闭环火控系统的发展有重要意义。本文针对其中一些基本问题谈了笔者的观点。     

双机组浮筏装置减振效果估算研究

研究了双机组浮筏装置减振效果的估算问题,并给出了相应的计算公式。理论分析和实验结果表明,该公式能对实际的双机组浮筏装置减振效果给出较好的估算。     

量测噪声模拟及其在C^3I系统仿真试验中的应用

各种雷达、声呐,以及其它量测设备对目标的量测不可避免地带有误差,即量测噪声。在舰船作战系统、指火控系统、区域C~3I系统的的情报处理和火控解算方案论证、系统仿真试验、以及模拟训练中,都要求逼真地计算多目标、多传感器的量测噪声。显然,按照常规方法产生的随机数和正态白噪声是远远不能满足需要的。本文着重论述了量测噪声的模拟机理,在对量测噪声进行分类的基础上讨论了多种行之有效的模拟方法,最后作为应用实例,在指出了所采用的周期长、性能优良的多随机数发生器的同时,较详细地阐述了区域C~3I系统仿真试验中多目标、多传感器量测噪声的模拟技术。     

复自治微分系统(E)的奇点量计算公式

文献[1]对(E)引入奇点量和 Lie 不变量概念,实现了实自治微分系统焦点量和鞍点量概念的统一,并得到奇点量的结构定理。文献[1]还对三次系统(E_3)找到了全部120个基本 Lie 不变量并具体计算了二次系统(E_2)和缺二次项的三次系统(E_3~((3)))的奇点量。文献[2]还计算了一类特殊三次系统(4)的奇点量。但是,对于计算(E_3)的奇点量的工作,仍有很大困难,甚至前几个奇点量也得不到,况且对(E)找到全部基本Lie 不变量亦非常困难。本文利用规范形理论讨论(E)的奇点量的计算问题,得到了计算公式。该公式对一些特殊系统可直接得到前几个奇点量。作为公式的应用及验证,我们给出(E_3)的前两个奇点量,至于 M(3)=?的问题将另文讨论。     

多传感器量测融合算法的性能比较

归纳三类多传感器量测融合算法,即扩维滤波法、伪序贯滤波法和复合量测滤波法。采用协方差分析的方法比较各类算法的滤波精度,证明它们均能在各自给定的条件下实现线性最小均方意义上的最优滤波。仿真实例对各类算法的计算量和灵活性等性能进行比较,结果表明扩维型信息滤波器的计算量最小、灵活性最高,扩维型Kalman滤波器、伪序贯滤波器的计算量较大,而两种复合量测滤波器对各传感器的量测矩阵有一定要求,以致灵活性较差。所得结论对量测融合算法的实际应用具有一定的指导意义。     

尾喷流底部流场与外流场干扰的拓扑结构数值模拟

本文从非定常全ＮＳ方程出发，运用时间推进方法，采用有限体积方法离散控制方程，模拟了轴对称钝锥尾喷流场与外流场的干扰，得到了随时间发展的精细的流场拓扑结构，并对几种出口压力比的不同情况进行了比较和分析。     

伴随函数法与最优制导律性能分析

为选择适合先进空空导弹使用的制导律,以最小能量需求和零脱靶量作为目标函数,使用最优控制理论在相应假设条件下推导得到了5种最优制导律:比例导引制导律(PN)、增强比例导引律(APN)、PN-M制导律、PN-MT0制导律和PN-MT制导律。介绍了伴随理论以及原系统变换为伴随系统的方法,建立了脱靶量伴随系统和加速度伴随系统,利用伴随函数理论对比分析了各制导律闭合回路中脱靶量和末端需用加速度随末导时间的变化规律,并使用蒙特卡洛方法结果与伴随法结果进行了对比。结果表明,伴随法结果与蒙特卡洛结果精确一致,但伴随法的效率是蒙特卡洛方法的几百倍。通过分析结果可知,PN-MT制导律的性能最优,脱靶量和末端需用加速度均为零;当末导时间足够时,PN-M制导律性能接近于PN-MT制导律;PN-MT0制导律性能优于APN和PN,但次于需求信息量更少的PN-M制导律;而未利用导弹动力学信息的PN和APN制导律末端需用加速度非常大。