基于改进的BP算法雷达故障诊断系统设计

为适应雷达故障诊断快速化、智能化的要求,介绍了一种基于改进的BP算法的雷达故障诊断系统设计方法.作为实例,详述了某型雷达视频放大电路的诊断.最后,用Visual C 语言实现了编程.诊断结果表明了采用改进的BP算法实现雷达故障诊断的有效性.     

机载武器自主类型选择算法

基于减轻飞行员负担和满足无人攻击机发展的需要,研究了载机的自主武器类型选择问题.应用管理学和运筹学知识和采用模糊推理中隶属度函数的思想,分别试探性地提出了两种自主武器选择方法:基本流程法和隶属度函数法.从算例结果可以看出:应用这两种方法得到比较好的武器选择结果.因此,在载机上应用这两种武器选择算法,能使载机具有自主选择合适武器的能力.     

自适应旁瓣对消系统中的通道均衡技术

自适应旁瓣对消(ASLC)是雷达抗有源干扰的有效方法.它采用空间滤波技术,通过辅助接收通道在于扰方向形成波束图的零点,实现对干扰信号的抑制.但是通道间频率特性失配使主、辅通道信号产生去相关作用,导致对消性能大大下降,在通道中插入FIR均衡器,可以补偿各通道之间的失配,使对消比有较大幅度的提高.     

动态指数平滑模型在网络流量预测中的研究

网络流量预测是网络性能管理的一个重要组成部分,一种好的预测模型能比较准确地判断网络流量的发展趋势,对网络管理起到推进作用.提出了将最速下降迭代法应用于指数平滑模型的方法,以预测误差平方和(SSE)最小为目标,构造并自动生成了最佳平滑参数,使网络流量的预测模型得以优化,增强了指数平滑模型对时间序列的适应能力,较好地解决了指数平滑预测模型中,平滑参数靠检验确定且为静态,平滑初值难以确定并导致预测偏差等同题.通过分析,证明了此模型能够较准确地预测出网络的流量,使网络管理人员对网络的性能状态有整体的把握并且能够较好地对网络性能进行监测控制,从而提高了网络的服务质量.     

基于子束变换的自适应线性特征检测

子束变换是一种在多个尺度上对图像线段求积分的线段检测算法.针对二值图像中的线性特征,在强杂波环境下,研究了子束变换的特征检测问题.综合利用了不同尺度上的子束特性,引入线性插值、新的目标函数和Chebyshev不等式,提出了一种自适应线性特征检测算法.仿真结果表明,该算法对杂波环境下的线性特征检测非常有效,并对短线干扰有一定的抑制能力.     

模糊合成算子在军队指挥效能评估中的应用

随着指挥自动化系统在军事上的广泛应用,在各种效能评估分析中基于模糊综合评判方法也成为一种非常重要的方法.但在实际应用时,很多情况都随机选取模糊合成算子,忽视了模糊合成算子对评估效果影响.结合模糊综合评判在军队指挥效能评估中的应用实例,分析了模糊合成算子对评判结果的影响,并确定了乘与有界算子M(·,(⊙))为适合评估指挥效能的优化算子.     

基于VFGPIR联合特征的决策级加权融合检测方法

车载前视地表成像雷达(VFGPIR)探测浅埋目标时面临虚警率过高问题,可利用序列图像特征的联合检测解决这一问题.首先利用Fisher鉴别比(FDR)定量评估从单帧和序列图像中提取的单个特征的鉴别能力;然后针对单个最优序列特征无法满足探测指标要求提出一种基于决策级加权融合的多特征联合检测方法;最后利用接收机工作特性(ROC)曲线来验证所提方法的有效性.试验结果表明:序列特征比单帧图像特征具有更好的鉴别能力;所提方法性能优于单个最优序列特征、特征向量和多数票融合准则对应的检测结果,有望满足实际探雷应用需求.     

基于OWL本体扩展的视频语义内容分析

随着可获得视频数据的快速增长,迫切需要有效的方法在语义层理解和管理视频数据。对OWL语言进行扩展,提出了V-OWL本体描述框架,支持视频内容蕴含的时空关系和不确定性关系的建模,使用基于贝叶斯网络的B-图描述模型,将V-OWL本体概念、关系映射为B-图中的节点、边,利用贝叶斯网络训练推理算法实现视频高层语义的自动推理发现。实验结果显示,V-OWL本体描述框架对复杂视频内容具有很好的描述能力,基于V-OWL的视频内容分析框架对视频高层语义探测具有较高的查准率和查全率。     

小子样条件下航天轴承性能可靠性建模与评估

航天油润滑轴承可靠性具有小子样、无失效数据特点,即使采用性能可靠性方法进行建模与分析,仍存在性能数据不足问题。提出小子样条件下航天轴承性能可靠性分析的多层贝叶斯模型及模型求解方法。通过失效分析,建立轴承性能退化过程模型。利用自助法、试验数据、物理模型和专家经验等确定Bayes验前分布,并采用MCMC方法解决Bayes计算问题。实例分析表明,该方法具有较好的适用性,是解决小子样条件下长寿命产品可靠性建模与评估问题的一种有效途径。     

基于尺度UKF小波网络的混沌时间序列预测

根据小波网络和Kalman滤波的特点,将小波网络的权重、平移因子和伸缩因子作为Kalman滤波的状态变量进行估计,提出一种训练速度快、泛化能力强的小波网络的尺度无轨迹Kalman滤波学习算法。然后,利用Rǒssler时间序列和变参数的Ikeda时间序列对该算法进行了验证。仿真结果表明,该算法预测混沌时间序列收敛速度快,预测精度高,而且在混沌时间序列的嵌入维数未知时也能取得较好的预测效果。可以胜任混沌时间序列的精确建模和预测任务。