北京谱仪(BES) 轻子识别研究——Monte Carlo结果

这项工作是详细研究北京谱仪(BES)轻子识别的一部分。本文报告了π/μ、π/e分辨的Monte Carlo 结果。结果表明:在北京谱仪中π/μ分辨有两个有效的截断,即位置与方向。对于π/μ分辨也有两个有效的截断,即总电荷量沉积和二极矩。     

退化速率跟踪粒子滤波在剩余使用寿命预测中的应用

毋庸置疑,剩余使用寿命预测对于设备的健康管理越来越重要。近年来粒子滤波方法被越来越多地应用到设备寿命预测技术当中,这是因为粒子滤波方法能更好地解决非线性非高斯系统滤波问题,而且能够获得不确定度信息。但该方法的预测性能却过度依赖于预测模型,并且对于模型参数的初始分布也比较敏感,这在一定程度上限制了粒子滤波预测方法的进一步发展。针对基本粒子滤波预测方法的不足,提出了一种基于退化速率跟踪粒子滤波的通用预测框架,以历史观测数据的退化速率统计规律作为指导来跟踪目标数据的退化速率,实现对粒子滤波预测方法的简化,并将该方法用于轴承和锂离子电池的剩余使用寿命预测,验证了方法的有效性。     

集群智能算法综述

集群智能领域的研究正呈爆炸趋势增长,每年都有无数新的集群智能算法以及改进算法被提出,这些算法在各自的领域内都扮演着相当重要的角色.从集群智能算法的特点与待解决问题出发,首先介绍集群智能算法的概念及部分经典算法,重点介绍粒子群算法与蚁群优化算法的主要思想;然后根据不同集群智能算法在不同应用问题的差异表现,对当下的几个热点...     

基于CE-QPSO算法的联合火力打击方案智能优化方法

针对联合火力打击方案优化“既快又精”需求难题,设计了CE-QPSO算法,提出了基于该算法的联合火力打击方案智能优化方法。该算法充分结合了交叉熵算法良好的全局寻优能力和量子粒子群算法高效运行的特点,通过构建离散概率矩阵,使粒子的不确定性运动更具方向性,提高了粒子的协同寻优能力。实验结果表明：基于该算法的联合火力打击方案智能优化方法能够有效提升联合火力打击方案的优化效果和优化效率,且相比于标准交叉熵算法和标准量子粒子群优化算法具有明显优势。     

多UCAV协同控制中的任务分配模型及算法

任务分配是多UCAV协同控制的核心和有效保证。分析了影响目标价值毁伤、UCAV损耗、任务消耗时间等三项关键战技指标的因素,综合考虑实战中多UCAV同时攻击同一目标和使用软杀伤武器这两种典型情况对UCAV执行任务的影响,建立了针对攻击任务的多UCAV协同任务分配模型,并应用粒子群算法求解。仿真结果验证了模型的合理性和算法的有效性。     

多指标约束下的防空反导装备修理级别建模

修理级别分析是防空反导装备维修决策的重要内容。分析了防空反导装备的组成结构和维修流程,建立了基于模块化装备的修理级别分析决策流模型,在多指标约束条件下,以维修效果和维修费用为目标函数,建立了防空反导装备修理级别的经济性分析模型,运用自适应粒子群算法对模型进行求解,通过算例证明了该模型的合理性和方法的有效性,对于完善防空反导装备的修理级别决策分析具有理论指导意义。     

基于双层粒子滤波的多传感器多目标TBD算法

针对多传感器多目标检测跟踪问题,提出了一种多传感器多目标双层粒子滤波检测前跟踪算法。算法采用双层粒子滤波结构,在目标检测层中采用量测消除法对多目标逐一检测,形成目标跟踪子粒子群,在目标跟踪层中采用二次重采样的方法对粒子群中粒子分布进行修正,在跟踪过程及时发现并剔除虚假目标。仿真结果表明算法的有效性。     

基于UPF的WNN学习算法及其应用

为改善小波网络(WNN)的非线性建模能力,提出一种基于改进无迹粒子滤波(UPF)的WNN学习算法。算法先引入最小偏度策略减少无迹变换(UT)的Sigma采样个数,改进无迹Kalman滤波(UKF);再用改进UKF算法选取粒子滤波的重要性密度函数,构成新型UPF;最后,将SUPF作为WNN的学习算法进行训练和测试。实验表明,基于新采样策略UPF与基本UPF的WNN模型精度总体接近,但速度更快,效率更高,某型军用飞机气动力建模也验证了算法的有效性与可行性。     

基于混合粒子群优化的多目标决策新方法

多目标优化问题中的一个关键在于合理地评判各有效解的优劣。通过引入灰色系统理论中灰色关联度的概念作为评判准则,结合粒子群优化算法进行有约束多目标规划问题的研究。提出了一种新的不可行解的保留策略,进化过程中以此策略保留适量的不可行解,有利于增强对约束边界附近可能的最优解的搜索,同时,针对粒子群优化算法的容易陷入局部最优的缺点,实现了以粒子群优化为载体的混合算法:即对全局极值邻域进一步混沌搜索寻优。仿真结果表明改进的算法对多目标决策问题是有效的。     

融入粒子群优化的UPF算法研究及其导航应用

粒子滤波易出现粒子多样性损失,粒子退化等问题,且在初始未知时,需要粒子数较多,收敛较慢。针对上述缺陷,在UKF和PF滤波基础上,将改进了搜索因子的粒子群优化算法融入U粒子滤波算法,提出了一种新型粒子滤波算法,加速了算法的收敛速度。将其应用于地形匹配导航算法中,仿真结果表明该新型算法明显优于UPF及PF算法,更适应于大误差的初始条件下,收敛速度快,具有更高的导航精度和抗噪特性。