一种求解武器系统可靠性分配的非精确方法

在考虑资源约束的基础上,通过建立一种资源-可靠度-满意度三者平衡的可靠性分配和优化模型,将对武器系统可靠性最优分配问题转化为对模糊非线性规划问题的求解,从而为武器系统可靠性的最优化问题提供了一种新方法。为获得具有实际意义的数值解,提出一种沿着加权梯度方向进行变异的特殊遗传算法,并结合某高炮系统的应用分析,证明了该方法的有效性和合理性。     

子阵域盲源分离应用于主瓣抗干扰算法研究

阵列雷达的主瓣干扰抑制是雷达抗干扰领域的一个难题。提出了一种基于子阵域的盲源分离主瓣抗干扰算法。该算法以特征矩阵近似联合对角化（joint approximate diagonalization of eigen-matrices,JADE）盲源分离算法为基础,与传统的全向阵列算法相比,该算法提供了较低的复杂度,尤其是针对大型阵列时,算法的优势更加显著。其设计思路是先将全向阵列划分到子阵域;然后在子阵域的基础上利用多重信号分类和恒虚警检测,设计了一种新的盲源分离信道数预估计方法,为JADE提供先验信息;最后设定盲源分离通道数,使接收信号分离,并将分离信号分别进行脉冲压缩、信号检测等步骤,从而达到雷达主瓣抗干扰的目的。通过仿真分析可知,该方法可以实现目标信号和干扰信号的有效分离,且计算量对比全向阵列有显著降低,具有一定的工程应用前景。     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。