自行火炮作战效能分析与模糊综合评价

自行火炮以其机动性强,火力反应快,防护性能好,成为炮兵的重要组成部分和机动作战的骨干力量,但由于自身的复杂性和作战应用的多样性,其作战效能受多方面的因素影响,运用层次分析法确定影响作战效能的指标权重系数,结合模糊综合评价方法将子效能合并成整体体系效能,由此实现自行火炮作战效能的定量化评估。     

超音速环形引射器空气引射启动特性试验

建立了超音速环形引射系统,对环形引射器空气引射启动特性进行了试验研究.试验结果表明:管道马赫数越大,则系统启动压强越高,同时盲腔真空度越高;混合室收缩比越小,系统启动压强越低;若管道马赫数较大,而第二喉部长径比和亚音速扩压段面积比过小,引射器启动过程可能不稳定,甚至无法启动;混合室收缩比、环型引射器扩压管道参数对盲腔压强无影响.     

EHDM的DL封装机制及在Z39.50协议上的应用

Z39.50被广泛应用在异构数据源的检索中,由于数据源的动态性和自治性,无法准确获得其语义,很难建立Z39.50与数据源的映射关系,为进行准确的信息检索操作,提出扩展超图数据模型(EHDM),对EHDM进行层次抽象,以EHDM的两类节点和边作为Z39.50协议的访问点,通过在EHDM和Z39.50之间建立DL层,将DL系统的概念、导出概念分别映射到Z39.50协议包装器上,解决Z39.50协议查询对结构化数据源支持不好、出现错误查询结果集等问题,定义类DataSpace的三层结构实现根据需求进行集成的"量入为出"的数据集成策略.     

一种基于线性流形的基因表达数据的聚类方法

由于基因表达数据的稀疏性和噪声性,传统聚类算法对其聚类时不能取得好的效果。针对这一问题,一种新的线性流形方法被提出,它的基本思想是搜索数据集中的线流形聚类,再将其中某些线流形聚类融合构造高维流形聚类。该算法将切向距离和法向距离作为线性流形的距离度量,运用空间近邻信息,采用聚类基因的平均表达水平作为转移向量,提高了聚类的准确度。实验结果表明,该算法的聚类准确性优于其它聚类算法,并且对带有噪声的数据可以保持较高的聚类准确度;在对Hela基因表达数据聚类时,算法得到了具有显著生物学意义的聚类。这些都说明提出的算法对基因表达数据聚类的适用性和有效性。     

泛探雷达长时间相参积累目标检测方法研究

泛探雷达利用同时多个接收波束覆盖整个观测空域,可利用长时间相参积累提高动目标检测性能,然而必须解决目标在长积累时间之内出现跨波束、跨距离单元和跨多普勒单元现象带来的积累增益下降问题。在跨波束影响可忽略前提下,研究了基于Keystone变换与Dechirping变换相结合的运动补偿方法,并在此基础上提出了基于Clean思想的多目标检测流程。通过对仿真数据与外场实测数据的处理与分析,验证了本文方法的有效性,可以用于泛探雷达的目标检测。     

一种用于编队协同的Ad Hoc网络MAC协议

结合无人机编队和卫星编队自组织分布协同应用场景,基于IEEE 802.11无线MAC协议,给出了MAC协议优化算法:S-DCF算法和最小竞争窗口调整算法。每个站点通过S-DCF算法估算当前网络中竞争站点的数目,然后根据最小竞争窗口调整公式调整最小竞争窗口。仿真结果表明,系统吞吐量得到明显提高,时延明显减小。该优化算法对提高和完善编队协同网络的通信性能具有一定意义。     

基于蚁群算法的航空弹药需求测算

智能化是现代航空弹药需求与指挥控制系统的发展趋势,如何进行合理快速地调拨航空弹药是系统设计过程中的关键任务之一。为此,提出了依据目标对航空弹药进行选择的策略,利用蚁群算法对战斗目标进行聚类分析,对各类目标进行模糊综合评判,从而确定装备出动方案,依据弹药与装备的关系,对满足既定保障度的弹药需求量建立模型,并计算出满足既定保障度的弹药供应量,为战前对战场态势预估,实现弹药战时及时准确调拨,为作战弹药准备提供依据。     

基于OpenGL的雷达PPI显示器仿真方法

雷达显控终端作为对雷达数据的直观表述,是各种雷达系统中的重要组成部分。在对雷达显控终端进行模拟仿真时,其实现的困难在于对雷达PPI显示器的逼真模拟。为了较好地解决此问题,首先对OpenGL和雷达显示器进行了简要概述,在此基础上,提出了一种新的基于VC++和OpenGL的具有余辉效果的雷达PPI显示器仿真模型及其实现方法。方法简单灵活、易于掌握,模块通用性和可扩展性强,可移植性高。与实装雷达PPI显示器余辉效果的对比以及实际应用证明,该仿真模型及方法达到的仿真效果符合工程要求,具有较高的实用价值。     

基于虚拟阵列的信号源数估计算法

信号源数估计是智能天线技术的一个基本问题,经典的信号源数估计算法有:基于信息论"AIC"算法"MDL"算法、假设检验、平滑秩序列法以及盖氏圆算法等,这些算法在低信噪比、小采样、色噪声以及实际信源数近阵列阵元数时,会产生较大的误差。在Kullback准则基础上提出了一种基于虚拟阵列的改进算法,该算法通过对阵列接收的数据进行预处理,虚拟地增加阵元数,按照修正的规则,求取信源数。经仿真验证,该算法克服了经典算法在低信噪比、小采样、色噪声以及实际信源数接近阵列阵元数时,准确估计信源数的难题。     

基于样本加权的支持向量机预测方法

不同的样本对最终预测模型的贡献程度是不一样的。在分析了采用支持向量机解决回归预测问题基本原理的基础上,介绍了"预测误差权重"和"样本关联度权重"的两种样本权重确定方法,并将其引入到支持向量机预测模型中来,最后用实例证明了采用样本加权后的预测精度要更高,而采用"样本关联度权重"法的精度又比"预测误差权重"法的精度要高。