粒子滤波在雷达方位配准中的应用

在多雷达数据处理系统中,雷达本身的系统误差是影响目标跟踪和数据融合质量的一个重要因素,尤其是正北方位误差.针对现有非线性滤波算法收敛性及鲁棒性较差的问题,将粒子滤波算法应用于雷达方位配准.通过与传统的扩展卡尔曼滤波方法仿真比较,结果表明采用粒子滤波的方法解决非线性雷达方位配准模型行之有效,能有效地克服扩展卡尔曼滤波方法中很容易出现的滤波发散问题,且粒子滤波比扩展卡尔曼滤波的估计精度要高.     

快速Marginalized粒子滤波器在纯方位跟踪中的应用

为提高纯方位跟踪性能,降低粒子滤波方法的运算量,在原有Marginalized粒子滤波器(MPF)的基础上,对线性部分处理方法进行简化,提出了快速Marginalized粒子滤波器(FMPF),并结合纯方位跟踪模型,推导了FMPF应用的具体算法步骤,使用机动目标纯方位跟踪仿真实例,与其他滤波器进行了仿真对比,分析了跟踪性能和计算量.仿真结果表明,与标准粒子滤波器相比,FMPF可以提高线性部分的计算精度,同时减少MPF所需的计算量.     

装备集群预防性维修计划的粒子群仿真优化

针对同类装备构成的集群预防性维修计划问题,综合考虑了装备的使用和维修过程,分析了装备动用与维修计划之间的相互关系,刻画了装备使用和维修的触发机制,提出了一个包含离散事件仿真和粒子群优化算法的混合模型,并描述了模型的结构和数学表示。该模型基于离散事件仿真对给定的预防性维修计划进行评估,并以该评估值为基础利用粒子群演化进行优化,从而通过多次迭代进化可逐步逼近可能的全局优化结果。由于模型中考虑了装备使用过程中的不确定性,并且粒子群优化可从任意初始值开始,因而可用作维修系统效能评估以及维修方案优化的决策工具。     

空间军事系统综合集成研讨厅中群决策优化模型

空间军事系统综合集成研讨厅是研究空间军事系统这类复杂巨系统问题的一种有效组织形式,群决策是它研究问题的主要手段.结合粒子群算法提出了一种群决策优化模型,通过对专家间的不一致意见的处理,来寻找问题最优解,以解决研讨厅中专家思维收敛问题.     

多速率交互式多模型粒子滤波研究

由于粒子滤波的算法原理,其计算量很大.研究了针对机动目标的交互式多模型粒子滤波器(IMMPF)算法和多速率交互式多模型(MRIMM)算法,提出了多速率交互式多模型粒子滤波器(MRIMMPF)算法.该算法是在交互式多模型粒子滤波器(IMMPF)的基础上引入多速率技术,期望在保持IMMPF的性能同时能够减少因为粒子滤波带来的计算量;最后通过和一搬基于EKF的IMM算法、IMMPF算法的比较,验证了该算法的有效性.     

基于粒子群优化的稀疏序列Bayes反卷积方法研究

在地下目标低频声波探测中,由于探测信号的混叠,难以判读反射目标的空间位置.应用信号处理方法求解时,目标信号是稀疏序列,求解方程是病态的.运用Bayes反卷积方法修正其病态性,并采用优化的粒子群算法求解,提高了系统的探测分辨率,同时降低了计算量.实际应用表明,该方法是有效的.     

基于二进制粒子群的复杂网络攻击策略

针对当前复杂网络攻击策略在选择攻击节点集上精准性不足,难以快速获取网络空间战场核心节点集以毁瘫敌方网络空间体系的问题,提出了基于二进制粒子群算法的攻击策略.该策略首先对网络节点状态进行编码,然后,计算基于深度优先搜索的适应度函数值,并使用二进制粒子群算法求解最优节点集,最后,针对典型网络模型开展仿真实验,对比分析了基于...     

基于进化式决策树的超视距空战机动决策模型

针对超视距空战决策问题,提出一种融合战术实施距离和导弹攻击区等先验知识,并具备进化能力的决策树模型。首先,分析空战制胜机理,建立超视距空战态势模型和战术实施距离模型,在此基础上引入超视距空战因子,建立态势评估模型和决策变量集;其次,基于战术实施距离建立超视距战术动作库,作为解空间动作集;第三,构建基于专家知识规则的决策树,并针对决策树参数进化需求,提出一种基于惯性权重动态调整和混沌优化的新型粒子群优化方法,以提高决策规则树进化效率;最后,基于仿真实验给出不同条件下空战机动决策仿真算例并进行了分析。仿真结果表明,提出的进化式决策树能有效融合战术实施距离、导弹攻击区等先验知识,并具备进化能力,能够有效解决超视距空战战术决策问题。     

RPPM模式在军用烟幕扩散数值模拟中的应用

阐述了随机游走粒子一烟团模式（RPPM）的基本思想,并结合野外试验验证了该模式在烟幕扩散数值模拟中的应用效果。     

粒子滤波匹配追踪重构算法

针对现有贪婪迭代类压缩感知重构算法对非高斯量测噪声抵抗性差的问题,提出一种盲稀疏度下粒子滤波匹配追踪稀疏信号重构算法。该算法将鲁棒性更高的Huber损失函数替代常规的二次损失函数,用来增加对非高斯噪声的抵抗能力;并引入粒子滤波实现对原始信号的最优估计,以削弱量测噪声的影响;在信号稀疏度未知的条件下,结合稀疏度自适应匹配追踪算法实现盲稀疏度下的原信号重构。理论分析和仿真结果表明,所提算法可以有效抵抗因非高斯噪声干扰或稀疏度未知导致的重构精度降低,且重构性能优于现有典型贪婪迭代类算法。