一种应用于移动机器人的路径跟踪控制方法

针对移动机器人的路径跟踪复杂性问题,设计了一种易于实现的控制系统,其中的跟踪策略改进了传统的视线导航算法,使机器人光滑趋近到期望路径,控制器的设计采用基于模糊逻辑的变速度控制和角速度滑模控制,减小了角速度的抖振,并使控制具有一定的智能化特点.实验结果表明,设计的控制系统即可以保证路径跟踪的精度,同时避免了运动控制的不稳定性.     

基于排队论的反舰导弹突防概率研究

根据水面舰艇对海导弹攻击中作战指挥的需要,提出了基于排队论中随机服务理论的反舰导弹突防概率解算模型.综合研究了目标舰艇编队采用各种手段进行抗击帮助条件下,反舰导弹突防概率的计算问题,并且结合想定装备参数进行了算例分析.为指挥员实施导弹攻击提供辅助决策和量化支持.     

装备故障诊断和预测技术综述

结合故障诊断与预测技术的国内外研究现状,综述了故障诊断和预测的完整性认知模型,并以此对蓬勃发展的故障诊断和故障预测技术进行了分类与综合分析。同时针对故障的不确定性特征,对故障诊断和预测技术的性能要求、定量评价与验证方法进行了分析。最后,分别从实际应用及扩展的四个方面提出了故障诊断、预测,以及PHM技术未来发展的几个问题。     

基于贝叶斯网络的反舰导弹身份识别

为了解决反舰导弹身份识别所面临的实时性和信息不确定性问题,提出了采用贝叶斯网络识别反舰导弹的方法。设计了4种贝叶斯网络分类器,分别在导弹仿真数据集和UCI数据集上作了测试,比较了它们各自的分类性能。实验结果表明,朴素贝叶斯网络的分类准确率虽然比其它分类器稍低,但它简单有效,稳健性比其它分类器都好,可用于反舰导弹身份的实时识别。     

基于BP神经网络的空中目标识别

空中目标识别是防空作战辅助决策的关键环节之一。根据空中目标的各种属性,建立基于BP神经网络原理的空中目标识别模型。利用MATLAB神经网络train函数训练采集的样本数据,得到稳定的权值和阈值,为后继的目标识别提供依据。该模型利用神经网络的记忆、联想、容错功能,进一步提高空中目标识别的稳定性和可信度。降低了个别传感器误判而造成的目标识别错误概率。     

改进的AHP法在目标价值排序中的应用

针对在应用AHP法时,传统的标度法可能导致判断矩阵一致性与思维一致性脱节,进而破坏层次分析法的优选排序功能的问题。首先分析了传统的1～9标度的不足,然后通过引入指数(0,2)标度,建立了满足一致性要求的判断矩阵,改进了层次分析法。最后将改进的AHP法应用于战场炮兵的主要攻击目标价值排序的评估,进一步提高了评估的准确性。     

轻小型舰艇作战系统时空技术设计及发展建议

根据轻小型作战舰艇对其作战系统指挥与控制的特殊要求,通过对系统战术功能时间关系和系统操控与显示的空间需求分析,提出系统硬件和软件紧密配合的设计原理,不但能实现系统的实时火控解算,而且能实现全系统的高度集中指挥与综合控制.同时,结合新技术的发展,对轻小型舰艇作战系统的设计提出若干建议.     

环境适应性训练在导弹机动实战化保障中的应用

导弹野外机动化作战已经成为现代战争的典型样式之一。本文针对导弹野外机动保障作业的实战环境适应性训练问题,全面梳理了导弹实战化保障面临的野战夜战环境、极端环境和复杂电磁环境三种典型的实战环境条件特征,深入分析了这三种典型实战环境条件对导弹实战化保障作业过程中人、装备、任务等因素的影响,并从体系设计、训练内容、训练条件、实施方式等方面,研究提出了适应三种典型实战环境的适应性训练方法,并给出了详细的可操作性对策与措施。研究成果可为部队开展实战化训练提供参考与指导。环境适应性训练有利于提高部队实战化条件下导弹机动化保障的抗干扰性和可持续性,从而提高导弹机动化保障作业的环境适应能力和战斗力。     

针对军事集群目标的YOLOv3改进算法研究

YOLOv3目标检测模型对于巡飞弹作战中的军事集群目标存在可能漏检紧邻目标的问题.改进算法以YOLOv3为基础,对其候选框选择算法采用的非极大值抑制(NMS)引入惩罚函数,实现soft-NMS,从而减少紧邻目标识别边框被误删的概率.同时针对军事目标数据稀缺的情况,对数据的预处理采用k-fold交叉验证策略,抑制过拟合现...     

金字塔渐进融合低照度图像增强网络

针对现有低照度图像增强网络对不同尺度特征信息存在感知与表达能力不足的问题,提出金字塔渐进融合低照度图像增强网络模型。网络对图像进行多次下采样操作以组成特征金字塔,通过在特征金字塔的三个不同分支上加入跳跃连接,将不同尺度的特征图进行相互融合。通过精细恢复模块进一步提取精炼信息,将特征图恢复到正常的光照图像。结果表明,该网络模型不但能有效地提升低照度图像的整体亮度,而且能很好地保持图像中的细节信息和清晰的物体边缘轮廓,同时能够有效地抑制图像中的暗部噪声,使增强后的图像整体画面真实自然。