一种面向虚拟维修训练的拆装序列描述方法

通过分析机电产品的维修特点、虚拟维修训练的需求以及产品维护规程的结构特点,提出了一种采用树型和有向图混合结构来统一描述产品维护规程和拆卸安装序列的方法,并以Visual C++/MFC为工具,开发了维护规程控件,解决了虚拟维修训练中产品维护规程和拆卸安装序列的同步直观显示、约束关系解算、规程文件存取等问题,并为维护规程的可视化编辑提供了工具。实践表明,该方法满足虚拟维修训练对维护规程和拆装序列的描述要求。     

构建与现役部队“功能互补、一体发展”的预备役部队

预备役部队属于中国人民解放军编制序列,是国防后备力量建设的重点,是战时首批动员、成建制遂行任务的主要力量。经过多次调整改革,预备役部队建设取得了明显进步,但与未来战争中担负使命任务的要求还存在较大差距。必须进一步解放思想、更新观念,着眼新的使命任务加快转型步伐,努力建设与现役部队＂功能互补、一体发展＂的新型预备役部队。     

基于方位特征序列的地雷鉴别算法

在使用低频超宽带合成孔径雷达(UWB-SAR)对地雷进行探测的过程中,根据目标电磁散射随方位角和入射角的变化特性,提出一种利用双峰间距和频率凹点特征沿方位向变化的隐马尔科夫模型(HMM)鉴别算法。该算法首先针对目标感兴趣区域(ROI)图像估计其各方位回波响应,然后利用时频原子提取时域双峰间距和频率凹点,进而得到随方位角变化的特征序列,再通过SAR工作时方位角和入射角的变化特点以及训练样本确定HMM参数,并在此基础上计算疑似目标新的特征矢量,采用马氏距离进行判别。实验结果表明了本文所提方法在目标鉴别方面的有效性。     

基于EMEBN的空中目标战术意图识别方法

战术意图识别是战场态势分析与威胁评估中的重要一环,针对复杂战场环境中敌目标战术意图存在的动态性、序列性等问题,构建能够描述目标战术意图表达和推理的动态序列贝叶斯网络模型（dynamic series bayesian network,DSBN）,分析多实体贝叶斯网络（multi-entities bayesian network,MEBN）在表达规则知识概率迁移关系和序列关系的局限性,提出基于扩展多实体贝叶斯网络（extended multi-entities bayesian network,EMEBN）的战术意图识别模型构建方法,最后通过实例验证该方法的可行性和有效性。     

张自忠所部编成与序列沿革

自1933年3月在喜峰口英勇抗击侵华日军起,张自忠所部历经天津、冀南、淮北、临沂、徐州、潢川、随枣、1939年冬季攻势、枣宜等大小战斗多次,广大官兵不怕牺牲,浴血奋战,狠狠地打击了日本侵略军,体现出不畏强暴、抵抗外侮的民族精神.1940年5月16日,张自忠在湖北宜城的十里长山光荣殉国,是役为国捐躯的尚有张敬、洪进田、马孝堂等官兵500余人(《张上将自忠纪念集》卷十四,173页,上海1948年版).     

摆线齿准双曲面齿轮齿面主动设计

为预控双面法加工的摆线齿准双曲面齿轮的啮合性能,用大轮理论齿面展成与之共轭的小轮共轭齿面,将小轮共轭齿面沿啮合线方向和接触迹线方向分别进行修形,得到满足预置传动误差曲线以及接触印痕的目标齿面,计算出目标齿面与小轮理论齿面的法向偏差。建立以小轮加工参数调整量为变量,小轮两侧齿面与目标齿面法向偏差平方和最小为目标的优化模型,并采用序列二次规划算法求解该模型。以某高速车桥齿轮副为例进行验证,结果表明:加工参数调整后小轮两侧齿面与各自目标齿面的最大法向偏差分别为-4.7μm和-4.67μm,两侧啮合转换点传动误差与预置值分别相差6.67%和4%,两侧接触迹线最大偏差分别为0.275mm和0.177mm,基本符合预置条件。     

基于附加频移跳频的方案设计及其性能分析

为了提高跳频系统的抗预测性能,增大抗跟踪干扰能力,提出了基于附加频移的跳频通信。在给定跳频带宽内,该方案通过双序列的控制输出射频频率来提高其跳变复杂度,从而增大敌方对于跳频序列的正确建模和预测难度。基于混沌特性的分析方法,对采用L-G非连续抽头模型和Logistic-Kent级联映射构造的合成跳频序列的复杂度进行了计算,与相同模型下构造的常规跳频序列相比,基于附加频移的跳频通信均具有更大的复杂度。     

基于OFDM的宽带混沌干扰信号产生技术

根据OFDM调制特点,并结合混沌序列伪随机以及初值敏感特性,提出了一种基于OFDM技术的宽带自适应多目标混沌干扰系统。该系统可灵活实现干扰频带控制,并能根据目标特征灵活调整功率谱形,还可以实现多目标同时干扰。该系统选用混沌序列作为基带干扰源,具有类随机性能好、计算量小、序列数量众多等优点。仿真结果表明:该系统具有灵活的干扰频带和功率控制能力以及优异的时频遮盖性能,可用于对多目标进行自适应干扰。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

一种基于关联脉冲对的动态直方图分选算法

针对现有分选算法在复杂电磁环境下准确性与效率降低的问题,提出了一种基于关联脉冲对的动态直方图分选方法。该方法首先对到达时间差进行固定箱长统计,将高于检测门限的相邻箱进行合并,得到动态直方图统计结果,估计出潜在PRI(pulse repetition interval)。对潜在PRI对应的关联脉冲对进行分析,剔除虚假PRI并估计出真实PRI的抖动量。最后,再依据PRI参数完成脉冲序列搜索,实现对雷达信号的分选。仿真实验表明,该方法在较低的到达时间差级数条件下,对多部复杂PRI调制信号的分选准确率达到95%,能够对复杂电磁环境下的雷达信号进行有效分选。