基于 AR 模型和SPRT 检验法的过程状态监测

本文利用自适应卡尔曼滤波器原理建立机械系统过程监测模型—AR模型,并根据AR模型系数的变化可以表征系统过程状态这一特点,通过序贯概率比(SPRT)这一假设检验法,对机械系统的运行状况进行判别。实验表明,该方法行之有效,最后,本文给出了实验结果。     

政治工作管理过程研究

政治工作管理实践是一个过程。管理活动的各个既相区别又相联接的阶段 ,组成了这个过程的有序结构。计划、组织、控制是组成政治工作管理运动过程的三个主要逻辑阶段 ,是政治工作管理运动的机制、职能和过程的辩证统一。     

基于STPA的鱼雷发射安全性分析

针对复杂鱼雷发射系统传统安全性分析方法的局限性问题,提出了一种新的鱼雷发射安全性分析方法.采用系统理论过程分析方法对鱼雷发射安全性问题进行研究.通过系统级分析建模,识别鱼雷发射过程的不安全控制行为,分析其产生的关键原因;构建鱼雷发射安全性计算分析框架,选取具体不安全控制行为作为计算分析对象,开展了基于STPA的鱼雷发射...     

Pickands型推广估计量的渐近正态性

极值指数在许多实际领域广泛应用:如组合投资、风险值的计算、预报地震等, 估计极值指数γ以及它的性质的研究近年来成为极值统计理论的基本问题。主要研究极值指数γ的一个估计量:Pickands型推广估计量的渐近正态性质。首先研究由Pickands型推广估计量构成的一随机过程,得到了该过程的渐近分布;然后利用研究结果证明了Pickands 型推广估计量的渐近正态性,得到其渐近方差;最后对提出的Pickands型推广估计的平滑估计量进行了相应研究。     

基于QAR数据的飞行环境风建模方法

针对传统环境风模型无法描述非Kolmogorov紊流和风向变化的问题,提出了基于QAR数据的环境风建模方法。将环境风模型划分为风向模块和风速模块。基于QAR数据分析风廓线系数和季节的相关性,建立了能描述平均风时空特性的平均风模型。基于Davenport功率谱形式拟合实测紊流功率谱,拟合结果表明实际紊流功率谱的标度指数在-1.98～1.13。分析风向和风速之间的相关性,考虑风向的变化特性,提出了基于马尔可夫过程的风向建模方法。基于以上模型进行了环境风模拟,并将模拟环境风引入飞行仿真实验中。实验结果表明,该方法能描述非Kolmogorov紊流和风向变化,且能实际应用于飞行仿真中。     

心理战运行机制初探

所谓心理战运行机制,主要是指心理战运作过程中其活动的结构、原理、功能及其相互关系。建立和健全心理战运行机制对于加强国家和军队的心理战建设,深层提高心理战战斗力等,具有重要的作用和意义。目前,世界各国特别是一些军事强国,都将心理战运行机制作为主要课题进行深入的研究,旨在保证信息化条件下的心理战指挥更加顺畅有力,组织更加协调,活动更加规范有序,效果更加显著。本文仅就心理战运行过程中的有关机制谈点粗浅的看法。一、情报获取情报是以侦察或其他手段获得的有关目标对象政治、经济、军事等方面的情况,以及对这些情况分析研究…     

动态武器目标分配问题的马尔可夫性

动态武器目标分配(weapon target assignment,WTA)问题是军事运筹学研究的重要理论问题,也是作战指挥决策中迫切需要解决的现实问题。在对动态WTA问题进行描述分析的基础上,运用随机过程理论证明了动态WTA过程的马尔可夫性;给出了该马尔可夫决策过程的状态转移概率的解析表达式,并对其状态特点进行了简要分析。研究结果可以为动态WTA及相关问题的研究提供理论和方法依据。     

小子样条件下基于Normal-Poisson过程的性能可靠性评定

对于高可靠、长寿命产品,基于性能退化数据分析可靠性是一种行之有效的技术途径。结合航空航天产品性能退化的机理与现场试验小子样的特点,建立了基于Normal-Poisson过程的性能退化模型。论文在对产品性能退化建模的基础上,结合Bayes方法给出了退化模型参数的估计算法和可靠性推断的公式,最后结合实例说明了方法的有效性。     

用户偏好提取MDP建模研究

将马尔可夫判决过程和智能强化学习算法相结合,给出了异构无线网络环境下用户业务偏好评估模型的技术框架。为动态环境下用户需求的感知、量化和适配特征的研究提供了基本的数学描述,对解决用户体验的评价问题和业务与业务环境的适配问题提供了新的研究思路。仿真结果表明所构建的MDP模型能够在多状态条件下学习用户偏好,根据用户需求智能选择业务。     

以科学的态度学习“七一”讲话

汀泽民同志的“七一”重要讲话内容十分丰富,博大精深,是对马克思主义的继承、丰富和发展,是马克思主义与中国实际相结合的又一次理论飞跃,是上中国化的马克思主义。在前一阶段的学习过程中,一些同志之所以对《讲话》中提出的一些新思想、新观点、新论断理解不深。