全面贯彻落实党的十七大精神 大力推进战略核心地带人民防空建设科学发展

党的十七大报告,站在维护国家安全战略利益和推动经济社会发展的战略高度,对在新的历史起点上推进国防和军队建设作出了全面部署。人民防空是国防建设的重要组成部分,是国民经济和社会发展的重要方面。新世纪新阶段,在新的起点上推进人民防空建设创新发展,     

领导干部要做到“四真”

真切维护官兵的权益。始终把群众利益摆在第一位,就要时时处处维护群众的权益。基层官兵是部队建设的主体,维护他们的权益就是维护我党我军的宗旨,也是坚持以人为本的重要体现。领导干部肩负多种职责,其中很重要的是对官兵负责,这就要把维护官兵权益摆到重要位置。职务越高,权力越大,维护官兵权益的责任越重。要克服“部队特殊”的思想,切实把维护好、实现好、发展好官兵的合法权益作为尽领导之责的重要工作,下真功、见真效。     

一种基于交叉关联积分的功放无意调制识别方法

针对同频率连续波信号中的功放指纹分析问题,提出一种基于相空间交叉关联积分的无意调制识别方法(CCI-UMI).该方法通过对功放无意调制的机理分析和对重构矢量沿轨迹概率(PDT)的理论分析,建立了相轨迹比较的基本理论依据和参数选择方法.采用多尺度交叉关联积分算法,在重构相空间实现了对信号细微差别的灵敏比较.对任意波发生器两路通道实测数据的分类实验表明:本方法识别率较高,经合理选择参数,在低信噪比下可获得比功率谱方法和相空间微分方法更好的分类性能.     

故障诊断中的测试节点优选方法

针对模拟电路故障字典法诊断中测试节点选择问题进行了分析研究。在故障模糊集划分的基础上,根据故障信息量,建立了实时故障树的节点优选方法。实际应用表明,该方法大大了减少测试节点数,提高了诊断的正确性和实时性。     

“数字地球”在军事上的应用

一、数字地球的概念与理解 “数字地球”的概念是美国原副总统阿尔·戈尔于1998年初在加利福尼亚科学中心的OGC(Open GIS Consortium)会议上作的一个题为“数字地球:对21世纪人类星球的认识”的讲演中首次提出的。他认为“我们需要一个‘数字地球’,即一种可以嵌放海量地理数据、多分辨率和三维的地球表示,可以在其上添加许多与我们所处的星球有关的数据”。 目前对数字地球(Digital Earth)的理解千差万别,其定义也就多种多样,除了上述戈尔的定义外,美国“数字地球”跨部门工作小组的     

用于多目标跟踪的m-最佳S-D分配算法

本文描述了一种称为m-最佳S-D(即m—最佳S维)的新数据互联算法,这种算法在O(mSkn3)(m个分配,长度为n的S≥3个序列,k次松弛)时间内得到对于S维分配问题的(近似)m-最佳结果。m-最佳S维算法应用于以下的跟踪问题:要么传感器是同步的,要么传感器和/或目标运动非常缓慢。此项工作的意义在于m-最佳S-D分配算法(以滑窗模式)可以通过避免所需列举的令人不堪忍受的指数数目的联合假设,从而有效实现次优多假设跟踪(MHT)算法。本文首先描述了m-最佳S-D所应用的一般问题。特别是根据来自S个传感器的视线(LOS)(即不完全位置)量测,求取完全位置量测集合,即通过求解一个静态S-D分配问题可得到第1、第2、…、第m个最佳(在似然意义下)完全量测集合。使用用于得到m-最佳S-D分配解的联合似然函数,就可用类似JPDA(联合概率数据互联)技术来度量复合量测的正确概率。来自连续扫描的复合量测序列以及它们相应的概率,轮流用于一个动态2-D分配算法的状态估计器中,以估计随着时间变化的运动目标状态。基于一个似然函数获得动态分配权系数,此似然函数包含了从(静态)m-最佳S-D分配解中得到的“真实”复合量测概率。通过把m-最佳S-D分配的解法用于一个仿真的多目标被动传感器航迹起始与航迹维持问题,展示了m-最佳S-D分配解法的优点,其     

评价实际雷达跟踪环境中的六种跟踪器

本文评述六种跟踪器并比较其性能。本研究中使用实际的雷达目标数据,这些数据是从各种条件下的民用和军用飞机上收集来的。因为不可能获得真正的目标轨迹,所以把预测RMS误差作为性能判据。根据性能和计算复杂性比较这六种跟踪器。评价结果表明非模型跟踪器性能通常优于基于模型的跟踪器。给出简要的讨论。     

潜艇水下数据融合

数据融合又叫多传感器信息融合 ,是各指控系统信息处理的核心。本文针对潜艇这一特殊的作战平台对水下数据融合的各功能模块作了综合论述 ,并简单描述了潜艇水下数据融合的主要过程     

高频链路自动化

ALE是HF通信的重要环节、网络化的基础。本文分别介绍了2G－ALE、AQC－ALE和3G－ALE的链路建立协议,信息协议、信号结构,调制解调波形、ALE控制与管理功能,探测与信道选择。经分析比较可察觉HF链路的建立自动化程度越来越高。     

一种基于线性流形的基因表达数据的聚类方法

由于基因表达数据的稀疏性和噪声性,传统聚类算法对其聚类时不能取得好的效果。针对这一问题,一种新的线性流形方法被提出,它的基本思想是搜索数据集中的线流形聚类,再将其中某些线流形聚类融合构造高维流形聚类。该算法将切向距离和法向距离作为线性流形的距离度量,运用空间近邻信息,采用聚类基因的平均表达水平作为转移向量,提高了聚类的准确度。实验结果表明,该算法的聚类准确性优于其它聚类算法,并且对带有噪声的数据可以保持较高的聚类准确度;在对Hela基因表达数据聚类时,算法得到了具有显著生物学意义的聚类。这些都说明提出的算法对基因表达数据聚类的适用性和有效性。