以可靠性为中心的维修

以可靠性为中心的维修(Reliability Centered maintenance——RCM)是美国航空界和美国防部制订装备预防维修大纲时所使用的一种维修理论,其主要目的是以最低的费用保持复杂装备的固有可靠性水平。本文跟踪RCM的发展过程,简述其基本原理和基本内容,并在综述国内外有关文献的基础上提出了笔者对RCM的认识及在军械系统应用RCM的必要性。     

试析火工品产品标准的改革

分析了我国火工品产品标准的现状与弊端,通过与美军标对比和工厂在具体产品标准上改革试行情况,提出了一些建议。     

通过协作的人机交互进行态势估计

数据融合表征为在4个抽象级上进行:单元级、态势级、威胁级以及资源分配级。单元级特性试图确定各个平台目标属性。在态势级,探测诸如战斗群这样的单元编队。在威胁级和资源分配级,对可能的敌方意图和我方可能作出的反应进行推理。然而,对于更高级的抽象,也就是战斗力和威胁的抽象,没做什么工作。这篇论文提出了一种态势估计方法,其中包括战斗力与威胁的明确概念化。对这些战斗力与威胁的图形说明是为了加强单元级描述,避免含糊不清。这篇论文采用了一种崭新的用户接口——该接口允许人与计算机进行协作,使得战术估计优于人或机器独自工作的水平。论文随后说明人机责任的自然分工,并以战争情景为例说明这种协作系统的益处。     

自补微带天线

本文介绍了增加微带贴片天线阻带宽的一种结构,采用ＦＤＴＤ方法分析提出的结构,实验结果与计算数据相当一致,由实验获得了宽频带覆盖的辐射方向图。     

海军“共用化”武器装备

从60年代开始美国逐步形成了武器装备“共用化”的设计思想。到目前为止,以这种思想为指导所研制的武器装备已大量装备美国海军。这种武器可以大大节省舰艇空间,使海军舰艇对作战的适应性和灵活性得到大幅度提高。本文从“共用化”武器装备的发展历程入手,重点介绍了这一设计思想对于改善舰艇设计和提高舰艇作战能力方面的重大意义。     

基于强化学习的多对多拦截目标分配方法

针对空中对抗环境中多对多拦截的武器目标分配问题,提出了一种基于强化学习的多目标智能分配方法。在多对多拦截交战场景下,基于交战态势评估构建了目标分配的数学模型。通过引入目标威胁程度和拦截有效程度的概念,充分反映了各目标的拦截紧迫性和各拦截器的拦截能力表征,从而全面评估了攻防双方的交战态势。在目标分配模型的基础上,将目标分配问题构建为马尔可夫决策过程,并采用基于深度Q网络的强化学习算法训练求解。依靠环境交互下的自学习和奖励机制,有效实现了最优分配方案的动态生成。通过数学仿真构建多对多拦截场景,并验证了该方法的有效性,经训练后的目标分配方法能够满足多对多拦截中连续动态的任务分配要求。     

虚拟物理人工智能多粒度水下态势感知研究

在分析水下多平台集群可变粒度态势感知发展的基础上,研究了多粒度水下态势感知的体系范畴提升及时空演进同步问题,提出虚拟物理人工智能多粒度水下态势感知原理及方法。通过内嵌多物理知识和上下文情景模型的动态虚拟物理神经网络,以时空数据与情景信息为驱动,实现了跨领域多粒度水下态势感知及跨时空同步态势演进分析,为有效遂行水下攻防对抗任务提供协同智能决策支持。理论分析及数值结果表明,多粒度水下态势感知及其同步态势演进分析可以通过有效融合集群资源,增强信息优势并动态优化所涵盖的功能领域和时空规模。所提出的原理及方法可为水下立体攻防体系的构建和发展提供理论依据与技术参考。     

基于机器学习的联合作战任务筹划模型

战争复杂性日益提高,快速完成作战任务筹划对于提高指挥效率至关重要。提出了联合作战任务矩阵分析模型,为作战任务筹划提供了一种理论方法;以此为基础,构建作战任务-支撑要素-威胁要素信念网络模型;设计了信念网络关键参数的贝叶斯学习方法,采用想象力机制来提高算法在自博弈学习中的收敛速度;给出了一种深度最小威胁生成树搜索算法,该算法能够通过平衡搜索误差和搜索速度,高效完成任务优先级排序。最后,通过仿真实验验证了上述模型和算法的有效性。     

基于标注事件图的空间数据库主动规则终止性分析

主动规则的终止性分析强化了规则的设计高效性。给出主动规则元模型的概念作为主动规则终止性分析和比较的基础;对精化触发图进行扩展,提出标注事件图分析模型。结合实例给出终止性分析算法。与各种方法的对比说明标注事件图是可应用于终止性分析的通用抽象模型。     

多智能体系统指定时间双向编队控制

多智能体系统协同控制的收敛速率问题是当前系统与控制领域一个热点研究问题.结合指定时间控制思想,以一般线性动力学系统为控制对象,对多智能体系统双向编队问题进行研究.首先,利用庞特里亚金极大值原理,设计了指定时间双向编队控制器,双向编队指的是被分成两组的智能体最终以指定的编队队形、相反的方向进行运动;其次,通过运动规划算法...