基于对称非线性函数的变步长LMS自适应滤波算法

为解决自适应最小均方误差（least mean squares,LMS）滤波算法难以平衡稳态误差和收敛速度的问题,提出了基于对称非线性函数的变步长LMS自适应滤波算法。通过自变量取绝对值、叠加非线性拉伸量改进Sigmoid函数,构造一个对称非线性函数用于刻画步长因子与稳态误差的非线性关系。该对称非线性函数具有能够根据误差动态调整步长、更快达到收敛状态的特点。根据构造的对称非线性函数和输入信号功率生成归一化变步长因子,解决噪声逐级放大的问题,进一步提高算法的滤波效果同时,加速收敛。实验表明：该算法在低信噪比、信噪比变化、信号频率变化、滤波器阶数变化、延迟采样点数变化条件下均具有更好的滤波效果、更优的稳定性和更快的收敛速度。     

基于多目标问题的装备维修保障资源调度研究

针对战时装备维修保障资源调度面临维修保障资源需求量不确定、调度时间不确定、调度路径可靠性不确定的问题,通过引入三角模糊数,将不确定信息量化,构建了以维修保障资源调度时间最短、维修保障资源调度路径可靠性最高和维修保障资源调度成本最小为目标的多目标调度模型,并给出了确定各目标相对重要度的方法,然后通过极大极小法将多目标模型转换为单目标模型,并结合LINGO软件对模型进行求解得出维修保障资源的最优调度方案。最后,引入算例进行了分析计算,结果证明了该模型的有效性,对于战时开展装备维修保障资源调度具有一定参考价值。     

噪声统计的Bayes 极大验后估计与系统自适滤波

对于具有测量的线性离散系统,在系统动力学噪声与测量统计特性未知的情况下,本文推导出了噪声统计特性在具有正态－逆Ｗｉｓｈａｒｔ分布验前信息情况之下的Ｂａｙｅｓ极大验后（ＭＡＰ）估计及其实时迫近,从而获得了系统的自适应滤波     

采用 Bayes 数据融合方法进行目标和诱饵的识别

本文以目标和诱饵的识别为背景,详细叙述了采用基于Ｂａｙｅｓ数据融合方法的基本原理、融合模型和识别结果。从识别结果可以看出,这种方法可以达到较高的识别率,是识别目标和诱饵的有效方法。     

双边定数截尾试验下广义指数分布的可靠性分析

基于双边定数截尾试验,在无信息先验和共轭先验下,给出了广义指数分布参数的Bayes估计。同时在熵损失和加权平方损失函数下,给出可靠度函数的贝叶斯估计。最后运用Monte Carlo方法对估计结果进行了模拟比较。     

随机运动目标区域持续探测的概率最优性

研究了随机运动目标有限区域持续探测的概率最优性问题,证明了区域一次探测概率随时间递减。建立了相邻探测点累计发现概率与一个探测点探测周期数的数学关系,并给出了一个计算探测最大概率周期数的判据,应用此判据,可以搜索获得最优探测周期数。进行了直升机吊放声纳持续探测发现概率最优性仿真,仿真表明了计算的有效性,并得出了应以最小周期数进行直升机吊放声纳探测的结论。     

比例最小偏度单形UKF的RBF神经网络算法

为提高RBF神经网络的建模性能,提出一种基于改进无迹Kalman滤波(UKF)的RBF神经网络训练算法。在该算法中,首先将比例最小偏度单形Sigma点采样策略引入UT,以有效改进UKF,提升其计算效率,然后利用改进的UKF优化估计RBF神经网络的最优参数。仿真结果表明,改进的UKF比EKF具有更高的RBF神经网络模型训练精度,与传统UKF的模型精度大体相当,但速度更快,计算效率更高。     

基于N-策略的多级适应性休假的M/G/1排队系统

N-策略的休假排队模型有着广泛的应用背景。在文献[2-3]的基础上,研究了N-策略多级适应性休假M/G/1排队系统。通过使用全概率分析方法、拉普拉斯变换和拉普拉斯-斯蒂阶变换理论,得到各阶段队长的瞬态分布、队长的母函数以及平均队长的递推表达式。为预测某时刻顾客数量的概率大小、获得利益最大化的阈值N提供了理论依据。     

起重机吊重摆角的自适应神经网络补偿控制

为了控制起重机吊重摆动幅度在最短时间内衰减到规定范围或平衡点附近,同时考虑到由于外界不确定性因素导致的系统模型的不确定性,设计了自适应径向基函数Radial Basis Function（RBF）神经网络补偿控制器。RBF神经网络对系统模型的未知函数进行辨识,并将辨识信息提供给控制器。实验结果表明：吊重摆角约在5s时跟踪给定幅度的正弦信号,并在参考信号发生突变时,摆角仍在给定的范围内;RBF神经网络约在5s后几乎以零误差辨识未知函数。所设计的控制器对不确定性因素具有较强的鲁棒性,这也验证了控制系统稳定性证明结论。     

基于“当前”统计模型的机动目标自适应跟踪算法

针对"当前"统计模型对加速度极值及机动频率需人为设定的缺陷,提出了一种基于滤波残差的高斯型隶属度函数改进算法,该法在跟踪过程中对加速度极值进行自适应调整。引入一种基于残差的Sigmoid二次型隶属度函数,通过自适应改变机动频率,使模型趋于目标真实状态。理论分析和仿真结果表明,改进的模型避免了人为引入误差,提高了机动目标的跟踪精度,算法简单,易于工程实现。