舰艇感应磁场补偿多目标优化设计方法研究

针对现有单一目标优化存在的多目标无法兼顾导致非优化目标劣化的问题,提出了基于差异进化算法的多目标优化设计方法。首先,建立了以上方峰值最小、下方峰值最小、下方磁场梯度最小为目标的消磁绕组来调整多目标函数;然后,分别完成了以上、下方峰值同时最小,上、下方峰值及下方磁场均方根值同时最小为控制目标的设计验证。结果表明:该方法能快速得到满足不同战术指标的消磁绕组电流配置,供决策者按照自己的意图从中选择适合实际需要的满意方案。     

基于证据理论的多源信息目标识别

目标识别系统中多源传感器信息高度冲突时,利用DS规则直接融合得出的结果不合理,针对该问题,提出了期望证据融合算法。多个证据融合时,根据两证据间的矛盾信息大小确定其相互支持度,将证据支持度矩阵模最大特征值对应的特征向量归一化后得到各证据的权重系数,进而求出期望证据,并用DS规则迭代融合。通过数字仿真对多种方法进行了比较分析,表明期望证据法在传感器信息高度冲突时依然可以得到较为理想的融合结果。     

基于扩展卡尔曼滤波的机动目标航迹跟踪

针对高速飞行目标航迹跟踪问题,进行了扩展卡尔曼滤波的曲线拟和仿真试验研究.首先建立目标跟踪的数学模型,确定了系统对应的参数及状态方程,进而将线性卡尔曼滤波器进行扩展,将函数形式的滤波模型在函数自变量估计值附近进行泰勒级数展开,求导获得相应雅克比矩阵,在获得观测及系统误差的基础上,得到针对此问题的扩展卡尔曼滤波方程.仿真结果表明该方法的有效性.     

用于机动目标跟踪的联合IMM Viterbi数据关联算法

针对低检测概率、重杂波环境下的机动目标跟踪问题,提出一种联合交互式多模型Viterbi数据关联(C-IMM-VDA)机动目标跟踪算法.该算法利用各模式下的滤波器的量测预测、量测预测协方差及模式概率构造一个统一的综合波门,排除不可能的路径转移,减少到达一个目的节点的源节点的个数.机动目标仿真结果表明,与IMM-VDA(交互式多模型Viterbi数据关联)算法相比,C-IMM-VDA算法在大大减小计算量的同时,降低了航迹失跟率,提高了航迹平均跟踪精度.     

一种多普勒雷达修正逻辑起始算法

针对一类具有多普勒量测的航迹起始问题,首先推导了目标任意三个时刻的斜距量测与多普勒量测乘积线性组合的统计特性,进而提出了一种修正逻辑起始算法.该算法通过在传统逻辑起始算法的航迹扩展阶段加入点迹关联的假设检验环节,来降低虚假航迹的数目.仿真结果表明,该算法的航迹起始概率与传统逻辑起始算法相当,而其虚假航迹数远远小于传统逻辑起始算法,并且运算量略有降低.     

圆度仪在形状和位置误差测量中的应用

本文对圆度仪的基本工作原理、功能特点以及在形状和位置误差测量中的应用,圆度仪的测量不确定度评定等几方面进行阐述。通过具体的实例论述了圆度仪是形位误差测量中较好的一种精密仪器,其应用软件功能强大、操作简便,提高了形位误差测量的准确性和工作效率。     

构建和谐社会与科学发展观的辩证统一

构建和谐社会与科学发展观是辩证统一的。构建社会主义和谐社会注重从和谐的角度求发展,是科学发展观的重要指向目标;科学发展观注重从发展的角度求和谐,是构建社会主义和谐社会的根本指导方针。实现构建和谐社会与坚持科学发展观的辩证统一,必须坚持改革开放和安定有序的辩证统一、共同建设和共同享有的辩证统一、制度建设和能力建设的辩证统一的方法论原则。     

指派问题的降阶优化算法

指派问题是运筹学中特殊线性规划中的一类问题。在现实生活中,指派问题非常普遍,常常可以见到各种各样的指派问题。通过对指派问题的数学模型进行分析,提出了与以往方法不同的求解指派问题的一种新的思路,通过对几个定理的研究,给出了一种新的求解方法——降阶优化算法。对求解指派问题提供了一种新的途径,在运筹学等领域有着较好的应用前景。     

Adaptive importance sampling for extreme quantile estimation with stochastic black box computer models

Quantile is an important quantity in reliability analysis, as it is related to the resistance level for defining failure events. This study develops a computationally efficient sampling method for estimating extreme quantiles using stochastic black box computer models. Importance sampling has been widely employed as a powerful variance reduction technique to reduce estimation uncertainty and improve computational efficiency in many reliability studies. However, when applied to quantile estimation, importance sampling faces challenges, because a good choice of the importance sampling density relies on information about the unknown quantile. We propose an adaptive method that refines the importance sampling density parameter toward the unknown target quantile value along the iterations. The proposed adaptive scheme allows us to use the simulation outcomes obtained in previous iterations for steering the simulation process to focus on important input areas. We prove some convergence properties of the proposed method and show that our approach can achieve variance reduction over crude Monte Carlo sampling. We demonstrate its estimation efficiency through numerical examples and wind turbine case study.