基于多智能体的传感器网络协同目标跟踪技术研究

针对传感器网络中的协同目标跟踪问题,分析了基于多智能体理论的分布式协同策略,提出了一种基于动态联盟的传感器网络协同目标跟踪框架,分析了系统中的智能体构成,提出了联盟中基于贝叶斯估计的Manage Agent的数据融合算法,讨论了Manage Agent的选举算法。理论分析表明,多智能体理论能够较好地适用于传感器网络的协同目标跟踪问题。     

基于神经网络的雷达抗欺骗干扰方法

对雷达抗应答式欺骗干扰的特征提取方法进行了改进,统计方法将均值与方差特征相结合定义特征因子,神经网络方法用Kohonen网络进行特征提取。仿真结果表明,2种方法都具有较好的抗应答式欺骗干扰性能,而神经网络方法性能更为优越。     

基于FPGA的数字复解调系统的实现

在介绍数字复解调原理的前提下,实现了一个对雷达单频脉冲信号在中频直接数字化的数字复解调系统,该系统由A/D模块和DDC模块组成,着重介绍了DDC模块中数控振荡器和数字滤波器的原理以及实现。经验证,该系统接收雷达中频脉冲信号,能够实现所需的数字复解调功能,对比模拟复解调系统,解调信号在幅度一致性以及相位正交性方面都有显著提高。     

基于兰彻斯特方程的大区域防空作战效能评估模型

针对大区域防空参战兵力多,体系结构、交战过程复杂的特点,引入作战效能、战斗编组、火力毁伤及任务分配等矩阵,建立了基于兰彻斯特方程的大区域防空作战效能评估模型,包括战斗力指数、战斗编组、毁伤指数、任务分配、指挥控制和作战实力损耗等部分。每个模型的建立均通过设定相应矩阵,分析战斗力指数,得出其计算模型。并以相关抗击率以及安全率表征总体效能指标,较好地解决了对大区域防空作战效能的评估问题。模型简洁,便于理解,易于计算。     

电子作战目标威胁评估方法初探

为了对电子作战目标进行威胁评估,主要立足于电子战环境,分析了电子作战目标威胁评估的内容与作用,并系统深入地研究了当前常用的目标威胁评估方法,对判断敌情及电子对抗作战指挥具有一定的指导意义。     

基于现代信息技术的大学英语教学改革探索与实践

大学英语教学改革基于改变传统的以教为中心、向以学为中心、注重培养学生语言综合运用能力的教学模式,创造出一种崭新的教育理念和教学环境,真正意义上实现英语教学的实用性。作为试点院校之一,我们通过整合多媒体、构建大学英语多元化教学平台,探索并实践了新的教学模式,开展了创新性和实效性的教学工作。     

脱壳弹弹托分离的双目视觉测量

脱壳弹的弹托分离过程对弹体的飞行稳定性和打击效能具有显著的影响。针对脱壳弹出膛后弹托相对弹体的六自由度运动过程,提出采用基于双目视觉原理的弹托分离角测量方法。通过在弹体表面和弹托表面设置标记点,采用图像处理和跟踪算法实现对标记点的识别和跟踪。结合双目空间标定参数解算出标记点的空间位置,进而获得弹托相对弹体的分离角度,同时采用实验验证了上述测量方法的精度,其精度达到2%。以实验室进行的初速度1 550 m/s和1 750 m/s的脱壳弹射击试验为例,测量并分析了不同初速度下的弹托分离轨迹。结果表明:脱壳弹分离初速度越快,弹托分离轨迹越靠近弹体。     

Wasserstein距离在液体火箭发动机故障检测中的应用

健康监控技术能够切实提高液体火箭发动机的可靠性,针对液体火箭发动机健康监控中的故障检测问题,提出基于Wasserstein距离的方法,利用液氢液氧火箭发动机地面热试车数据进行验证。该方法的核心思想是利用Wasserstein生成对抗网络模拟正常数据的样本分布,利用其判别器计算测试样本与模拟分布间的Wasserstein距离,进而实现故障检测。结果表明:该方法能够克服故障数据不足的困难,有效检测稳态过程中的故障,没有发生误报警,且对早期异常有较高敏感性;在训练样本较少的情况下,当Wasserstein距离阈值为3σ时对启动过程的早期异常有较高敏感性,取5σ时仍可有效检测启动过程中的故障,误报警率为12.5%。     

富 BaCO3对YBCO超导样品的超导性能的影响

为提高123相高温超导材料的临界电流密度Jc,本文从改变样品的用料配方、革新制备工艺等方面做了一些尝试和研究.在生成约 10 g123相超导样品正常配比的基础上,分别多加了5mg到100mg不等的BaCO3,采用固相反应法制备了超导体块材.通过比较各样品的超导转变温度Tc、超导转变宽度ΔT、临界电流密度Jc、扫描电镜照片和X-Ray衍射谱图,可以得出:富BaCO3123相超导体的超导转变温度Tc均大于90K;ΔT=1～3K;20mg的富BaCO3有利于123相的形成;一定量富BaCO3的加入对提高123相超导材料的临界电流密度Jc很有利.     

稀疏贝叶斯学习框架下的扩展目标雷达关联成像

传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该方法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该方法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。