基于反水雷导航作战的舰船规避区域研究

在遭遇水雷目标时,水面舰艇需按一定航线进行规避,如何制定规避航线、计算规避区域,对舰船航渡过程中的安全性至关重要。文章通过计算水雷危险圆半径,结合舰船机动性能特点,提出了规避线路和规避区域的解算方法,并根据舰船实际旋回曲线,对计算结果进行了修正,完善了解算模型。     

基于分解的多目标布谷鸟搜索算法求解多无人机协同任务分配问题

多无人机协同任务分配问题是一个多目标优化问题,将多目标优化问题转化为单目标优化问题的传统方法易造成决策的主观性和片面性.为帮助决策者做出科学决策,提出了一种基于分解的多目标布谷鸟搜索算法用于求解多无人机协同任务分配问题.通过对多无人机协同任务分配问题分析,建立了多无人机协同任务分配模型.将布谷鸟搜索算法的两个关键组件转化为多目标优化算法的繁殖算子,并结合一种自适应算子选择策略,构成了多目标布谷鸟搜索算法.设计了一种新的编码方案,将带约束的多目标优化问题转为无约束的多目标优化问题.仿真实验表明,多目标布谷鸟搜索算法能有效求解多无人机协同任务分配问题.     

高精度程控电阻网络生成算法设计

为了提高高精度程控电阻的设计效率,建立高精度电阻网络的物理模型和数学模型,提出一种高精度程控电阻网络生成算法。该算法根据给定的量程和精度,基于主电阻网络、补偿电阻网络和偏移电阻的组合方式,自动生成高精度程控电阻网络。以量程90~250 Ω、精度5 mΩ的需求为例,在MATLAB平台上对算法进行仿真验证,仿真结果验证了算法的可行性。结果表明生成的程控电阻网络满足目标量程和精度的需求,算法解算时间仅为18.128 s。相比于人工设计的方式,该算法大大提高了设计效率。     

基于变分模态分解的非稳态备件需求预测方法

备件需求量的预测是备件配置的重要内容,针对当前装备备件需求非稳态的特点,提出一种基于变分模态分解的备件需求预测方法.运用变分模态分解将非稳态备件需求序列分解为若干模态分量,引入模糊熵的概念,将周期性、随机性和长期性特征明显的模态分量进行有效聚合,提高计算效率,进而运用预测效果较好的径向基神经网络预测法对聚合后的模态分量分别进行预测,将各分量预测结果进行整合形成最终的备件需求预测值.通过案例分析与实验对比,结果表明提出的方法能够有效挖掘非稳态备件需求序列的深层次信息,实现非稳态备件需求序列的较好拟合,并与其他非稳态时间序列预测方法对比具有较高的预测精度,为适应新时代实战实训背景下备件需求的特点提供了有效的方法支撑.     

美国军工产业区域转移与经济增长

文章从美国军工产业区域转移的角度,探讨了军费开支与经济增长之间的关系,认为军费开支在一定条件下会促进经济增长,但是军费开支还会对经济增长产生相应的负面作用。     

爆炸场冲击波测试装置电磁屏蔽结构研究

为了减小弹药爆炸电磁辐射对测试的影响,提出了一种铝、坡莫合金组成双层屏蔽结构,采用Ansoft Maxwell对其屏蔽效果进行了仿真,与铝壳、钢壳的屏蔽效果对比,并进行了验证.结果表明:在模拟爆炸场环境中,3种壳体内的磁感应强度铝壳的最大为3.339 1×10-7 T;钢壳为1.960 1×10-7T;采用双层屏蔽的为...     

面向任务的天基信息精准服务需求匹配研究

针对天基信息系统在联合作战中服务质量有待提升的问题,提出天基信息精准服务相关概念。根据具体作战任务,通过任务分解、服务建模和信息建模,明确元任务与天基信息服务、天基信息之间的关系;通过作战任务中各作战门户节点不同职务的作战人员角色职能分析,确定每类作战人员所需执行的元任务,进而明确其需要的天基信息服务类型,实现了面向作战任务的天基信息精准服务体系的需求匹配。     

作战任务分解策略与规范化描述方法研究

现代战争呈现多域协同、多任务并发、多要素耦合的新形态,对作战任务规划提出了新的挑战。对复杂的作战任务进行合理分解和规范化描述是提高任务规划科学性、提升任务规划效率和任务完成质量的有效手段。在系统阐释作战任务分解相关概念的基础上,提出作战任务分解的基本原则,借鉴“霍尔三维结构”模型,提出基于“时间维、逻辑维、活动维”的作战任务分解策略,定义了元任务的规范化描述形式,从时序、逻辑和功能三方面对元任务之间的关系进行了规范化描述,应用案例研究表明,所提出的方法对于复杂作战任务的合理化分解和规范化描述可行且有效。     

美国的战区导弹防御及其核心系统

主要介绍了美国战区导弹防御的发展过程及其 4个核心系统 ,即“爱国者”PAC - 3、海军区域导弹防御系统、陆军战区高空区域导弹防御系统、海军全战区系统。     

基于CEEMD能量熵与极限学习机的滚动轴承故障诊断方法

鉴于滚动轴承振动信号具有非线性、非平稳的特点以及难以获得大量典型故障样本的现实情况,提出了基于互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)与极限学习机(extreme learning machines, ELM)相结合的滚动轴承故障诊断方法。采用CEEMD方法对滚动轴承非平稳的原始加速度振动信号进行分解,得到若干个平稳的本征模函数(intrinsic mode function, IMF)分量,计算不同状态下滚动轴承振动信号经CEEMD分解后各IMF分量的能量熵,从蕴含着主要故障信息的IMF分量中提取出能量特征,对其进行T分布随机近邻嵌入(T-stochastic neighbor embedding, Tsne)聚类可视化分析,观察特征对滚动轴承状态的反映情况,将特征作为输入建立极限学习机,判断滚动轴承的工作状态和故障类型。使用美国凯斯西储大学公开的人工损伤轴承数据进行仿真实验,对轴承得不同运行状态的识别准确率可以达到95%,明显高于多分类支持向量机、K近邻等方法,该结果表明,所提方法在...