基于改进IMM-UKF的弹道导弹再入段跟踪数据滤波?

针对弹道系数未知的弹道导弹再入段跟踪雷达测量数据滤波这类非线性强的滤波问题,提出可变多模型无迹卡尔曼滤波算法。利用无迹卡尔曼滤波逼近精度高,计算量小,适应于任意非线性模型的特点,将其作为多模型的基本滤波器;滤波算法根据各模型正确描述目标状态的概率,动态地改变多模型数量和模型参数。上述方法的综合运用,提高对目标状态估计精度,降低了计算的复杂度,仿真实验验证了方法的有效性。     

基于蚁群算法的电子设备多值测试故障诊断策略

测试序列优化设计是故障诊断中的重要组成部分,最优测试序列能提高故障诊断的效率,常见的故障诊断系统均基于二值属性,而多值属性系统的测试优化问题研究的较少。针对多值属性系统测试序列优化问题的特点,提出了一种改进蚁群算法,结合二值属性系统和多值属性系统的关系,设计了适应于多值属性优化的状态转移规则和信息素更新机制。针对在等测试费用和故障先验概率的情况下不能寻优的问题,制定了对应的优化标准,符合实际的测试需求。通过对比试验,证明了其能解决电子系统多值属性系统的序列优化问题,扩展了多值属性电子系统的测试优化策略。     

基于多尺度残差网络的自适应边缘检测

为了实现无人机避障过程中的障碍物检测,针对传统边缘检测算法检测速度慢、抗噪性能差、边缘信息易缺失等问题,提出了一种基于多尺度残差网络的自适应边缘检测算法。基于深度可分离卷积,替换ResNet18残差网络中的传统卷积结构有效减少了网络参数量,提高特征提取效率。在综合考虑固定阈值和局部边缘点均值的基础上,引入自适应阈值改进八向差分算子,以提高算法抑制噪声干扰的能力。基于多尺度特征融合结构,在包含更强语义信息的高层特征图上融合低层细节信息,细化小尺度目标边缘特征。与改进前相比,准确率提升了4.23%,参数量降低了5.01×10⁶,处理速度提高了4 fps。     

多无人机协同空战任务规划仿真系统

面向多无人机协同空战任务规划方法性能验证的需求,开发了一种基于VR-Forces仿真引擎的多无人机协同空战任务规划仿真系统,对该仿真系统的总体架构、红方子系统、蓝方子系统、白方子系统和强化学习算法训练子系统进行了设计。对算法库、强化学习算法训练和人机交互等关键技术提出了针对性的解决方案,提升了该仿真系统的稳定性、可扩展性和功能性。利用该仿真系统对多无人机协同空战目标分配、重决策算法等典型任务规划方法进行了测试和仿真实验。结果表明,所开发的仿真系统可以很好地支持多无人机协同空战任务规划方法的测试和验证。     

基于博弈论组合赋权-TOPSIS法的战时装备维修保障点配置方案评价

针对战时装备维修保障点配置受多种因素影响、保障指挥员难以快速有效地评价保障点配置方案合理性的问题,提出一种战时装备维修保障点选址方案评价方法。综合考虑战场环境、自然环境和交通条件等多方面因素,构建了战时装备维修保障点配置方案评价指标体系并对各指标进行量化分析;基于博弈论思想进一步优化AHP-熵权主客观组合权重,结合TOPSIS法实现战时装备维修保障点配置方案的定量评价,通过示例验证了该方法的合理性和有效性。     

转台-陀螺飞轮标定系统误差灵敏度分析方法

陀螺飞轮是一种适用于微小航天器的新型姿态测控一体化装置,利用转台对其进行多位置标定是提高其测量性能的主要途径。为保证标定精度,从陀螺飞轮标定原理和标定误差来源出发,全面考虑转台自身定位误差、轴线回转误差、垂直度误差、相交度误差、以及转台与陀螺飞轮间安装误差等因素的影响,基于多体系统理论推导了多误差因素作用下的误差传递机理,在此基础上,基于Sobol法分析了全局误差灵敏度,得到了各误差因素对标定基准量影响程度的定量分析结论,实现了关键误差溯源。分析结果为有针对性提升标定系统关键误差指标及标定试验的优化设计提供了理论依据。     

双基发射药螺杆挤压成型多出口模具结构设计优化

为研究某双基发射药在多出口螺杆挤压机内的流动过程,采用单因素法探究出口数目对发射药流动过程的影响,而后以提高生产效率为优化目标,以流道压强差为约束条件,对挤出口数目、模具长度和模具收缩角进行正交实验。结果表明,增加出口数目可以提高产量,减小最大压强差,使生产更加高效和安全;对质量流量和流道压强差影响程度的排序为：出口数目>模具长度>收缩角,并得到最合理的结构参数组合为出口数目5,模具长度40 mm,收缩角37°,此时质量流量提高了17.6%,流道压强差降低了25.0%,满足并保证发射药致密性的要求。     

一种自适应变结构交互式多模型算法

针对机动目标跟踪问题,提出了一种自适应变结构交互式多模型算法。对滤波问题进行了简单描述,并给出了交互式多模型算法的数学模型;建立了一种新的变结构交互式多模型算法的精确模型,模型子集之间并行独立运行,通过选取概率最高的模型子集的状态估计作为最终的估计结果;在变结构交互式多模型算法基础上进一步设计了自适应变结构交互式多模型算法,该方法提高了模型子集和目标实际机动模式的匹配程度,从而提高了目标跟踪精度。仿真结果表明,自适应变结构交互式多模型算法的跟踪效果优于其他方法。     

基于多标签学习的探索性仿真实验因素筛选方法

探索性仿真实验是一种认识、研究战争的重要手段,但往往面临想定样本空间复杂程度高,空间维度爆炸等问题。针对上述问题,提出一种定性定量相结合的基于多标签学习的实验因素筛选方法。首先,基于定性分析设计并实施仿真预实验,采集处理实验数据,解决机器学习样本数据缺失问题;随后,引入输入控制层搭建深度神经网络,引入稀疏正则化,在多标签模型训练过程中实现特征选择;然后,回归定性分析,补充完善实验因素;最后,以某作战样式下立体投送行动仿真推演为背景进行实验验证。实验结果表明,筛选的实验因素与作战行动现实情况吻合。     

P3C-MADDPG算法的多无人机协同追捕对抗策略研究

针对策略未知逃逸无人机环境中多无人机协同追捕对抗任务,提出P3C-MADDPG算法的多无人机协同追捕对抗策略。首先,为解决多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient, MADDPG)算法训练速度慢和Q值高估问题,在MADDPG算法中分别采用基于树形结构储存的优先经验回放机制(Prioritized Experience Replay, PER)和设计的3线程并行Critic网络模型,提出P3C-MADDPG算法。然后基于构建的无人机运动学模型,设计追逃无人机的状态空间、稀疏奖励与引导式奖励相结合的奖励函数、加速度不同的追逃动作空间等训练要素。最后基于上述训练要素,通过P3C-MADDPG算法生成策略未知逃逸无人机环境中多无人机协同追捕对抗策略。仿真实验表明,P3C-MADDPG算法在训练速度上平均提升了11.7%,Q值平均降低6.06%,生成的多无人机协同追捕对抗策略能有效避开障碍物,能实现对策略未知逃逸无人机的智能追捕。