复杂网络在作战建模中的应用研究

针对作战网络研究中的热点,以复杂网络在作战建模中的应用为主线对取得的研究成果进行了梳理,重点讨论了作战网络的基本拓扑模型、作战网络的抗毁性模型和作战过程的动态网络模型等,指出了作战网络研究中存在的问题以及未来值得进一步探讨的研究方向。     

LEACH—DRT算法中基于神经网络的数据预测算法

为了保证无线传感器网络中数据的完整性,针对基于LEACH路由协议的动态轮时间算法存在的问题,提出一种基于人工神经网络的数据预测算法。该动态轮时间算法中,部分簇因调整后的轮时间不足以完成数据的采集而丢失数据。数据预测算法结合传感器节点数据具有时空相关性的特点,将时空延迟算子引入神经网络模型,并通过建立的神经网络模型对数据进行预测。仿真时采用伯克利英特尔实验室的传感器数据,通过Mafl软件对模型进行测试并分析仿真结果。实验结果表明：该算法对连续多个数据的预测效果理想,预测误差始终保持在较低水平。     

博弈论在无线通信中的应用专题讲座(一) 第1讲 多用户MIMO系统中的有限反馈预编码博弈

博弈论在无线通信系统中已经得到了广泛的应用。而近年来,博弈论也逐渐成为研究多用户MIMO系统中各项关键技术的一种有效的理论工具。文章将介绍一类新颖的多用户MIMO有限反馈预编码博弈和潜博弈的概念。之后以MIMO中继网络中的中继节点预编码策略选择为例,说明博弈论是如何在多用户MIMO系统的研究中进行应用的。     

资源不确定军事任务计划预测调度模型与算法

针对军事任务计划执行环境中普遍存在的资源不确定性,提出了基于资源缓冲区的军事任务计划预测调度算法。算法首先基于平台有效资源功能向量进行任务—平台分配,分配过程中通过调节平台有效资源功能向量,获得不同的平台资源缓冲区分配方案;然后基于NSGA-Ⅱ算法框架对军事任务计划进行多目标求解,进而获得问题的Pareto最优解集。文章通过仿真算例对算法的可行性和有效性进行验证,实验结果表明,该算法能够有效求解资源不确定军事任务计划问题。     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,对其滤波理论及算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

基于微动调制的SAR新型复合有源干扰方法

在静态虚假目标的基础上,利用有源运动调制干扰原理,提出了一种基于微动调制的SAR新型复合有源干扰方法。建立了基于微动调制的复合有源干扰信号模型,详细分析了该干扰信号对SAR的干扰效果,确定了各调制系数,最后进行了基于实测数据的仿真实验。结果表明,该方法具有距离向相干处理和方位向部分相干处理的特点,可对SAR在方位向上实现多个匀(加)速虚假运动目标的欺骗干扰效果。     

混合粒子滤波被动定位算法

为实现空中机动单站对运动目标的快速无源定位,提出了一种基于测向交叉定位方法的混合粒子滤波算法.针对粒子滤波初始化存在的问题,该算法从测向交叉定位方法得到建议分布,利用角度测量对状态变量的约束关系产生所需粒子,避免了粒子滤波产生粒子时的随机性,减少了高维情况下所需的粒子数目,降低了运算成本,提高了粒子滤波的实时性能.与粒...     

战术弹药供应保障系统分析与改进

从我军战术弹药供应保障现状研究入手,按照环境、组成、结构、运行与功能五要素对战术弹药供应保障系统进行分析后,发现信息在系统内串行的处理和传递顺序是导致系统自主性和响应性不足的主要原因之一。提出通过系统结构和运行改进使信息流动由串行变为串并行结合,从而提高供应保障系统的响应速度,并通过计算验证了改进的有效性。     

基于自适应模糊PID的二级倒立摆控制方法

为了提高平面二级倒立摆模型控制过程的动态、静态性能及对控制器参数的自适应整定能力和抗干扰能力,提出一种将PID控制与模糊控制相结合的自适应控制算法.应用拉格朗日方程建立平面二级倒立摆数学模型.根据实际经验确定模糊隶属度函数并建立模糊规则表.通过计算误差和误差变化率设计自适应模糊PID控制器.为设计的控制器建立仿真模型,...     

Multi-scale traffic vehicle detection based on faster R-CNN with NAS optimization and feature enrichment

It well known that vehicle detection is an important component of the field of object detection. However, the environment of vehicle detection is particularly sophisticated in practical processes. It is compara-tively difficult to detect vehicles of various scales in traffic scene images, because the vehicles partially obscured by green belts, roadblocks or other vehicles, as well as influence of some low illumination weather. In this paper, we present a model based on Faster R-CNN with NAS optimization and feature enrichment to realize the effective detection of multi-scale vehicle targets in traffic scenes. First, we proposed a Retinex-based image adaptive correction algorithm (RIAC) to enhance the traffic images in the dataset to reduce the influence of shadow and illumination, and improve the image quality. Second, in order to improve the feature expression of the backbone network, we conducted Neural Architecture Search (NAS) on the backbone network used for feature extraction of Faster R-CNN to generate the optimal cross-layer connection to extract multi-layer features more effectively. Third, we used the object Feature Enrichment that combines the multi-layer feature information and the context information of the last layer after cross-layer connection to enrich the information of vehicle targets, and improve the robustness of the model for challenging targets such as small scale and severe occlusion. In the imple-mentation of the model, K-means clustering algorithm was used to select the suitable anchor size for our dataset to improve the convergence speed of the model. Our model has been trained and tested on the UN-DETRAC dataset, and the obtained results indicate that our method has art-of-state detection performance.