低成本技术提供一种精确的脱靶距离指示

一种雷达脱靶距离指示器已经研制成功,它用多普勒频率来确定弹丸脱靶距离的大小。防空导弹和火炮部队的实践训练化费极大。因而采用训练模拟器日益增多。但是它们不能提供对实靶射击的实际训练的机会。     

常规威慑的新技术

加强北约的常规作战能力已成为连任的里根政府优先考虑的问题。作为一种防止核军事冲突升级的方法,它依赖于研究一种所谓“新技术”(Emerging Technology,以下简称ET技术)来建立常規武器系统,以遏制苏联的非核攻击。美国已接受了空地战原则来发展这些技术,而北约已接受了“攻击后续力量”(follow-on-iorce attack,FOFA)原则,它可应用ET技术来延伸通向敌后的战场。据说这两种原则是相互协调的,但并非完全一致。空地战原则从属于美国的全球战略。与之相配合的FOFA原则关心的只是欧洲纵深战场。在下面的文章中,美国负责常规作战的国防部副部长助理James Tegneia博士阐明了这种美国新战略的原理,它的结构变化以及与之有关的硬设备情况。(有关它的武器系统详细说明见IDR,8/1984,PP,1053～1066)     

天基动能武器装订过程建模

这篇文章分析六自由度的 SDI 天基动能武器的拦截过程装订方案,装订方案主要包括从雷达平台至发射平台的目标信息传递、发射平台的初始参数至拦截器的参数传递、预测遭遇点的算法、发射架的瞄准以及拦截器本身的卡尔曼滤波器和目标预测器启动方法。确定了这些概念的模型并考虑了与之有关的误差源。正象六自由度仿真所验证的,主要对装订误差对天基动能武器系统性能影响作了讨论。     

速率补偿在光电火控系统中的应用

一、引言火控系统的效能可以通过增加一个光电跟踪和指示系统来提高。光电跟踪和指示系统(图1)主要由图像传感器、激光测距机、跟踪系统和数字式处理系统组成。它可以用于激光制导武器的精确投放和普通高炮的火力控制。在典型的作战环境     

打赢2000年的空地战争——美国准备用各种战术、高级技术和20年计划打赢未来的战争

苏联国防部第一副部长奥加尔科天（Ogarkov）元帅1978年对美国退伍将军斯蒂威尔说过广美国过去一直处在不受外国军事威胁的地位,今天不再是这样了。苏联的军事优势超过了美国,今后美国也要受到威胁。你们最好还是习惯这一点。”这些话不是没有威胁性的。     

多计算机系统中的容错任务分配和再分配

在一组互连处理机(计算机)中任务分配的目的是使资源的有效使用最大化,并由此而减少作业的解题周期。本文提出的在多计算机系统中分配任务的简单而有效的方法旨在系统和设计者确定的资源限制条件下,使处理机间的通信成本最小。因为每个任务的执行时间、可用处理机数目、处理机速度和存储容量对系统或设计者来说是已知的,因此,限制可看作为是由负载平衡引起的。随着处理机数目的增加,在任何时间在系统某处出现故障的概率也随之增加。几乎没有已建立的任务分配模型考虑了可靠性性质。在多计算机系统中,我们定义系统可靠性为系统可成功地运行任务的概率。在确定(非冗余)任务调度策略以后,任务静态和冗余地再分配给处理机。这是一种时间冗余形式,在这种形式中,如果在执行期间某些处理机故障,那么所有任务可以在剩余的处理机上(但以更长的时间)完成。由于是任务的静态预分配,这种方法比众所周知的多计算机系统中的动态再配置和滚回恢复技术更简单,因此也更实际。通过把该方法应用于不同的例子和实际的通信网络多处理机系统,我们验证了硬件容错任务分配和再分配的有效性。     

在复杂的工程领域支持时间类型实时学习的“神经”网络模型

开发、维护和检验知识库的困难激励我们对自适应系统更感兴趣。但是,已经证明符号范例有碍于动态或噪声环境中的学习。本报告叙述基于仿真的研究计划,该计划说明作为在这样的环境中学习的健壮增强模型基础的修正连接式记忆单元的效用。这种学习模型根据一个定性的、基于目标的结构产生有效的基于规则的行为,这种结构进一步支援从这些复杂领域的经验中导出的二级目标或智力模型的开发。     

多目标跟踪中求解数据互联问题的模拟扩散网络体系结构

在多目标跟踪情况下求解数据互联问题要求计算把第i个量测分配给第j个目标的概率β~j。先前,我们曾提出一个根据分层的、异步(序列的)博尔兹曼机的并行结构估计互联概率。本文介绍具有随机神经元的这种结构的有效模拟实现。用矢量郎之万方程描述这种网络的动态,结果网络近似为一个真正的具有潜在快速收敛性的同步博尔兹曼机。在分层的两维网络中,概率β~ji渐近地等于量化的神经元输出vij的激活频率。描述了近似真正互联概率的设计准则。分析了在有界区域内表示为扩散过程的每一个随机神经元的暂态和稳态性能。把分层扩散网络的性能与理论的极限作了比较,也同异步博尔兹曼机的性能进行了比较。     

神经网络在目标跟踪数据融合中的应用

卡尔曼滤波是大多数多目标跟踪算法的基本组成部分,其余组成部分通常包含若干形式的数据互联方法。这里打算把神经网络加到正规的卡尔曼滤波器中,使此神经网络提供滤波所需要的自适应能力。这样,卡尔曼滤波器的估计误差将会减小,从而改进了多目标跟踪的解。仿真结果表明此方法是有效的。