基于系统动力学的防空作战指挥关键因素分析

防空作战指挥效能的高低,对整个防空作战结局有着重要的影响.基于系统动力学的方法对防空作战指挥效能进行评估,分析了影响指挥效能的关键因素.进而提出加强对防空作战指挥不确定决策方法的研究和优化防空作战指挥体制两项对策措施以提高指挥效能.     

信号源检定装置不确定度的评定

在填写"建立计量标准技术报告"时,要求报告中所涉及的内容要准确、可靠,对所测的数据及实验结果要实事求是。其重要目的是应根据分析结果直接判断计量标准是否符合国家检定系统表和国家计量检定规程的要求,做出计量标准是否可以开展所申请项目的检定校准工作的结论。就不确定度的评定做了详尽的分析,并给出了相应的算法。     

多属性群决策理论的备件筛选方法

利用多属性群决策方法和多目标规划理论,建立了筛选武器装备维修备件的模型和方法.该方法首先按照多属性群决策方法对各种维修备件进行综合排序,然后再用多目标规划理论确定维修备件的选择方案.对该方法具体应用时的若干问题也进行了探讨.     

基于深度神经网络的OFDM系统IQ不平衡补偿技术

正交频分复用(OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。本文研究了IQ不平衡对OFDM系统的影响,提出了基于并联深度神经网络的IQ不平衡补偿技术。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用IQ不平衡的干扰信号来自镜像子载波的先验知识来初始化神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的导频的最小二乘（LS）估计补偿IQ不平衡的算法,证明了深度学习方法解决物理层问题的优越性。     

基于数据的故障诊断更新问题分析及应用

机内测试被广泛应用于故障诊断,装备健康管理与预测等领域。本文针对机内测试设备在设计和升级时遇到的分类器更新,样本数量不平衡,硬件条件限制问题,提出了初步解决方案。首先,利用基于密度的聚类和人工免疫的方法处理原始数据,然后提出了基于代表样本点的混合学习方法,最后利用支持向量机和仿真案例验证了本文所提方法。结果表明本文所提方法能够解决上述问题,有助于基于数据的机内测试设备设计与升级。     

地空导弹装备战时维修保障效能评估研究

战时装备维修保障的重要性已经日益突显,地空导弹装备战时维修保障效果是决定最终防空反导战争胜负的重要因素。针对地空导弹装备战时维修保障效能评估过程中,运用传统集对分析法难以量化确定权重的问题,提出对集对分析法进行改进的解决思路。即综合集对分析法和熵权法,减少定性分析的主观影响,采用定量方式,实现地空导弹装备战时维修保障效能评估。最后,选取5个地导营装备进行实例验证,证明所建立模型的有效性。本研究为地空导弹部队更好地提高装备维修保障能力和作战效能提供理论依据,具有一定的军事应用价值。     

变分自编码器结合聚类算法在空战态势评估问题上的应用

针对传统态势评估方法确定权值的主观性强、处理大数据能力弱、特征提取能力不足等问题,提出基于改进变分自编码器和聚类算法的无监督空战态势评估方法。根据态势变化连续性特点,提出基于时间段的空战态势分类方法,将敌我双方态势划分为四类。在变分自编码器的基础上,提出了VAE-WRBM-MDN特征提取模型,即使用混合密度网络优化变分自编码器的特征提取能力和生成数据的相似度,使用权值不确定限制玻尔兹曼机优化网络的初始权值。将提取的特征分别输入到两种典型的聚类算法中进行聚类,并结合态势函数和实际战场情况修正聚类结果,形成正确的态势分类标准。在实验部分,分别进行了最优参数调整、关键特征提取、聚类以及修正实验。实验结果表明,模型态势分类正确率和运行时间均满足应用需求,实例评估结果与客观态势一致性强,所提方法具有实际应用价值。