GSPN的分析方法及其应用

随着计算机和信息技术的发展,广义随机Petri网(G SPN)作为一种图形化的建模工具,不仅可以对系统进行形式化的描述和快速原型开发,而且由于其具有坚实的数学理论基础,可以对系统进行正确性验证和性能评价,因此在系统的设计过程中,得到了广泛的应用。基于结构分析方法、可达图分析和数值分析方法讨论分析了G SPN,并给出了具体的算例,最后讨论了G SPN的应用领域。     

基于扩展卡尔曼滤波的浮标定位方法

由于浮标的随机漂移,在航空搜潜过程中,需要定期对浮标的位置进行更新。根据航空搜潜声纳浮标与飞机的相对方位信息,采用扩展卡尔曼滤波技术,分析了计算浮标位置的原理、方法,建立了相应的系统模型和仿真算法,从估计的相对位置误差和均方根误差两个方面,仿真分析了系统的误差性能。结果表明,该定位模型能够成功地跟踪浮标的位置,并具有较高的定位精度。     

油料装备中发动机与油泵的匹配设计探讨

油料装备中发动机与油泵的合理匹配是设计中需解决的一个重要问题。介绍 了油料装备发动机与油泵的匹配原则,分析了油泵和发动机工作时所需的动力,发现发动机 在驱动油泵时具有一定的功率储备,尤其是共用发动机具有较大的功率储备,提出利用发动 机万有特性曲线进行匹配设计。     

雷达对抗仿真推演系统的组件化设计与实现

为了提高雷达对抗仿真推演系统的可扩展性、可重用性,以适应现代战场的应用需求,对其进行了组件化的设计与开发。首先,分析了雷达对抗仿真推演系统组件化设计的基本思想,给出了组件化仿真系统的开发流程,在此基础上,分别从功能需求分析、仿真架构设计、仿真组件开发,系统集成运行等4个方面对组件化雷达对抗仿真推演系统进行了分析与设计,最后给出了运行实例。实践表明,这种开发模式是有效可行的。     

汽车加油机器人关键技术分析

传统加油模式使操作人员易受有毒易燃油气的侵害,而且严冬酷暑时加油站作业环境恶劣,因此在加油站配置机器人实现智能化加油变得十分迫切。介绍了国内外汽车加油机器人的研究进展,指出其作业对象的差异性、环境的多变性以及作业过程的危险性。分析了当前汽车加油机器人所采用的加油机构、加注接口以及识别与定位技术的特点,指出加油机构优化、安全控制、智能识别与定位研究是汽车加油机器人发展的方向。     

精确制导弹药低成本制导控制系统设计

针对精确制导弹药制导控制系统低成本的迫切需求,提出了一种弹载低成本制导控制系统设计方法。建立了一种弹载制导控制系统低成本体系架构,从功能、硬件、软件等方面对其进行了GNC一体化设计,并在此基础上提出了一种基于ARM处理器的一体化制导计算机设计方法。针对MEMS导航系统精度低、噪声大特点,设计了一种惯性/卫星数字制导方案。该低成本制导控制系统设计方法可有效减少系统冗余硬件,降低成本,实现较高的制导控制精度,满足未来低成本精确制导武器的需求。     

基于改进GM(1,1)模型的导弹贮存可靠性预测方法

针对导弹系统技术复杂、贮存样本量受限、测试数据波动性较大等特点,结合装备的具体情况提出了基于改进GM(1,1)模型的导弹贮存可靠性预测方法。该方法首先利用"对数-幂函数变换"对导弹的历史可靠性数据进行处理,提高数据光滑度,然后依据GM(1,1)模型计算得到可靠性预测值和残差,再利用残差建立残差修正模型,得到残差修正值,减少残差对结果的影响,最后利用残差修正值修正可靠性预测值并还原,求得可靠性最终预测值。实例表明,该改进模型对导弹系统可靠性变化的描述比传统模型更加准确有效,预测结果精度更高,为导弹贮存可靠性预测分析提供了一种有效的改进方法,其算法设计推广性强,可作为其他装备寿命预估的重要工具。     

不同干扰对QSPK解调性能的影响分析

随着数字卫星通信的快速发展,QPSK作为数字卫星通信系统中一种重要的调制方式,其解调性能也受到越来越多的关注。主要分析QPSK信号在已调干扰信号下的解调性能,并推导出使得QPSK调制信号解调性能最差的干扰信号的统计分布,而且此时统计分布符合QPSK调制方式干扰信号的特征。最后通过实验仿真分析得出信噪比未超过一定值时QPSK调制信号在QPSK调制干扰信号下解调性能最差,并与不同已调制干扰和AWGN干扰下的解调性能作比较。     

雷达辐射源识别技术面临的主要挑战及对策

信息化战场上,复杂电磁环境严重制约雷达辐射源识别过程。通过梳理雷达辐射源识别技术发展阶段及各阶段主要识别方法,深入分析了现阶段雷达辐射源识别技术面临的主要挑战,并提出应对策略,为创新雷达辐射源识别方法提供借鉴。研究表明,针对未来战场雷达识别面临的主要挑战,平时做好预判,熟谋对策,将极大地有利于战时进行雷达辐射源识别,进而促进整个电子对抗行动作战效能的发挥。     

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。