基于演化网络的体系对抗效能模型

在对Lanchester假设的扩展和网络化基础上,构造了体系对抗战场的图论表示FR,B=红军网络IR∪蓝军网络IB∪交战空间fR,B,利用生成fR,B的随机子网和对参战网络"去点"的方法,提出一种统一表示体系对抗中交战行为与网络行为的模型新范例——体系对抗演化网络模型,模型中网络部队作战效能不但依赖兵力规模和武器性能,而且受网络结构及其战场环境的影响。试验对比了拥有同等作战资源网络体系的作战效能,得到在一个对抗系统中无标度网络对随机网络的胜率高但并非总赢的结论,初步分析了在对抗系统中无标度网有效、鲁棒但脆弱的原因。     

汽车防抱制动系统自适应滑模控制算法的研究和半实物仿真

针对车辆防抱制动系统(ABS)非线性控制模型,在分析零阶切换方式滑模变结构控制算法的基础上,提出了参数自适应的滑模变结构控制算法.该算法将滑模变结构控制、自适应控制与防抱制动系统结合,削弱了滑模控制的"抖动"问题对制动过程带来的影响.随后设计并构建了ABS闭环模拟系统,对算法进行了纯理论仿真和基于硬件平台的半实物仿真.仿真结果表明,自适应滑模控制算法较单纯滑模控制算法在减小制动力矩的颤幅和平缓轮速波动方面均有一定优势.     

量子算法模拟实现技术研究

量子计算并行性展示了强大的运算能力 ,但现实条件决定了目前量子算法研究主要依靠模拟进行。本文介绍了量子计算的基本原理和计算模型 ,对量子算法的模拟实现技术进行了分析。通过对量子算法模拟的时空分析 ,指出目前量子算法模拟中存在的一些问题 ,讨论了今后的一些研究方向。     

助推-滑翔飞行器总体多学科设计优化研究

以助推-滑翔飞行器为研究对象,开展多学科设计优化在其总体设计过程中的应用研究。首先对助推-滑翔飞行器进行多学科设计优化任务分析、多学科建模,并建立了助推-滑翔飞行器总体多学科设计优化模型;其次对助推-滑翔飞行器总体设计学科间耦合特点进行分析,在此基础上提出了基于最优灵敏度方法的两层系统集成优化策略;最后通过数值优化算例验证了方法的有效性。优化结果表明,该方法具有较好的收敛速度,且使满载起飞质量减少9%,为高性能飞行器总体设计提供新的设计思路。     

一种新的多传感器航迹关联算法

提出一种基于多传感器航迹的关联算法.首先根据雷达和目标球极投影后的几何位置关系,利用三角形的几何性质分别建立两个航迹关联函数,并利用加权思想进一步建立相似度函数;在此基础上,利用一阶泰勒展式对航迹关联函数理论分析获得航迹粗关联门限;然后依次通过粗关联和精关联实现航迹关联.仿真结果表明了该算法的时效性和稳定性.     

一种改进的SIR双频带通滤波器设计与实现

文章介绍了阶梯阻抗谐振器SIR(Stepped-Impedance-Resonators)的结构和原理,分析了这种结构谐振器的优越性,在此基础上采用3级半波长(λg/2)谐振器设计了一种应用于无线局域网WLAN(Wireless LocalArea Network)系统(IEEE-802.11a/b/g)的双频带通滤波器,这种滤波器的特点是其寄生响应可通过阻抗比(RZ)和谐振器的长度进行调节。使用仿真软件HFSS进行仿真,并对其进行加工测试,仿真结果和测试结果的稳合很好,在两个中心频率为2.4 GHz和5.2 GHz的通带内,插入损耗分别小于0.6 dB和0.9 dB,相对带宽分别为7.8%和7.7%,且两通带间的抑制特性好,频率为3.5 GHz～4.2 GHz之间的抑制损耗达到60 dB,各项指标满足工程设计要求。     

多Agent与HLA集成仿真技术

对于复杂系统的建模与仿真,利用高层体系结构标准的统一框架以解决一致性和互操作问题,而多智能体技术可以提高邦员的智能性,更好贴近实际。因此,将多智能体系统与高层体系结构相集成可以有效提高系统仿真与建模的效果。但二者集成仿真还存在着种种问题,针对这些问题,根据军事训练仿真的具体要求,提出集成仿真的基本设计流程,并设计出了集成仿真的通信模式和交互过程。     

仿真环境下嵌入式软件测试技术研究与应用

嵌入式软件的开发运行是针对特定的环境条件,作为第3方的测试,在有些运行平台和条件无法保障下,要测试嵌入式软件是非常困难的.主要论述在普通PC机上怎样实现对嵌入式软件测试的方法和步骤.     

某型飞机魔球信号采集与分析

从阐述魔球操作对目标瞄准的实现机制入手,分析了数据采集系统的总体结构及采集系统的硬件设计和软件设计思想.实现了对飞机魔球信号的实时采集,并对采集结果进行仿真分析,从而推导出不同相关武器种类、目标与弹轴不同夹角、不同目标距离、不同工作状态下魔球信号的变化规律.     

Maneuvering target tracking of UAV based on MN-DDPG and transfer learning

Tracking maneuvering target in real time autonomously and accurately in an uncertain environment is one of the challenging missions for unmanned aerial vehicles(UAVs).In this paper,aiming to address the control problem of maneuvering target tracking and obstacle avoidance,an online path planning approach for UAV is developed based on deep reinforcement learning.Through end-to-end learning powered by neural networks,the proposed approach can achieve the perception of the environment and continuous motion output control.This proposed approach includes:(1)A deep deterministic policy gradient(DDPG)-based control framework to provide learning and autonomous decision-making capa-bility for UAVs;(2)An improved method named MN-DDPG for introducing a type of mixed noises to assist UAV with exploring stochastic strategies for online optimal planning;and(3)An algorithm of task-decomposition and pre-training for efficient transfer learning to improve the generalization capability of UAV's control model built based on MN-DDPG.The experimental simulation results have verified that the proposed approach can achieve good self-adaptive adjustment of UAV's flight attitude in the tasks of maneuvering target tracking with a significant improvement in generalization capability and training efficiency of UAV tracking controller in uncertain environments.