基于0-1规划的弹种决策与发射时序优化

对于身管发射武器系统,同一发射单元使用不同弹种完成作战任务时,需要确立合适的弹种决策与最佳的发射时机.提出用O-1变量来描述弹种决策变量.通过时弹种发射机制及武器系统控制特点进行分析,构造多种0-1变量用以描述武器系统作战时序之间的约束关系,建立了弹种发射时序的0-1规划模型,并用LINGO软件实现了0-1规划的求解.给出了典型应用实例,进行了仿真计算,结果表明,该方法简单可行.     

基于时序多人多目标的装备规划方案风险评估模型

把时序概念引入了风险决策领域,建立了基于时序的多人多目标风险评估模型,提出了基于时序的指标特征值向量矩阵和规格化公式,定义了基于时序的加权波达选择函数法。把该模型与装备规划方案相结合,用实例演算了整个风险评估过程,可以为中长期规划方案风险评估提供决策支持。     

基于传递闭包的任务时序依赖关系建模方法

建立正确、有效的任务模型是正确引导出信息系统需求的关键步骤。文中针对任务间时序依赖关系,给出与任务建模相关的若干形式定义和命题,帮助分析人员判断任务间的并发和死锁。给出任务间时序依赖关系建模的详细步骤,并根据时序依赖关系的传递性质,给出一种任务关系图上的传递闭包方法,可以帮助分析人员直观地判断任务间时序依赖关系的问题和错误,科学、合理地标记各个任务的时序等级属性,帮助建模人员从全局上明确各个任务在执行时所处的相对位置,以及在每个阶段需要同时展开哪些任务。     

时序驱动的详细布局方法

针对超大规模集成电路布局过程中时序优化问题,提出一种时序驱动的详细布局方法。对设计进行时序分析并获取时序违反路径集合,对路径上两个连续固定单元间的线网进行平滑处理,以减小路径曲折度以及减少线长。再针对每一个可移动单元与其相邻的线网建立二次规划时序模型,求解局部最优布局位置。对于给定的测试电路,实验结果表明,最差的时序违反与总的时序违反均有明显改善,采用ICCAD2015竞赛的测试模板和评价方法,总的时序性能有45~350 min的提升。     

基于改进遗传算法的协同发射控制软件设计

根据火箭炮武器系统多弹种协同发射的需求,分析了现有发控软件的不足和设计多弹种协同控制软件过程中存在的问题。采用设定禁忌搜索表的改进遗传算法,通过对基因编码、交叉等过程最终实现对多型火箭弹时序协同问题的求解。在此基础上设计的火箭弹协同控制模块的软件架构,为后续实现多种火箭弹协同发射的方式提供了有力支撑。     

舰炮火控雷达实测误差时序特性分析建模

针对舰炮火控雷达高精度实时仿真建模的问题,运用高斯分布和正态平稳过程的两种误差序列生成方法,建立火控雷达简化仿真模型。通过对某火控雷达实测数据误差的统计及时序相关性分析,完成误差序列仿真生成与验证,给出了实现舰炮火控雷达探测误差仿真的优选方法。实践证明,正态平稳模型的误差生成方法可以有效满足新型舰炮仿真试验火控雷达建模要求。     

基于Simulink的导引头测向流程仿真分析

在分析某型反辐射无人机导引头测向原理的基础上,建立了导引头测向数学模型.借助Simulink建立了导引头测向流程仿真模型,得到了正常工作时的波形.结果表明,仿真较准确地模拟了导引头的测向过程.用户可以通过选择辐射源类型及设置参数,查看导引头在不同条件下测向过程及各节点输出波形,为导引头的维修检测提供了一种有效的辅助手段.     

基于Attention的AIS数据段相似性搜索模型

自动识别系统(Automatic Identification System,AIS)数据中蕴含着与船舶交通相关的时间序列信息.基于AIS数据段的相似性搜索也成为智能船运领域的研究热点.AIS数据属于多维时间序列数据,传统的多维数据序列相似性搜索方法通过将原始数据进行降维,并在降维后的数据空间进行时序数据的相似性搜索....     

YHFT-DX处理器全定制EDA技术的开发与应用

在YHFT-DX处理器的研制中,研究并实现了多项支撑全定制设计的EDA技术。针对全定制设计的功能验证,研究并实现了层次式功能模型自动提取技术,能够将晶体管级网表转化为等效的RTL级网表。研究并实现了晶体管级混合时序分析方法,可自动分析全定制设计的延时,并采用多线程并行的方法获得了约10倍左右的速度提升。为提高模拟结果分析的效率,开发了一个延时提取的工具Aimeasure。开发了两个信号完整性分析工具PNVisual和NoiseSpy,分别用于全定制设计的IR-Drop分析和噪声分析。上述技术已在YHFT-DX处理器的设计中得到了广泛应用,有效提高了全定制设计的效率与质量。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。