基于模型诊断的集合逻辑运算法计算最小碰集

在基于模型的故障诊断仿真系统的诊断流程中,由最小冲突集计算最小碰集是整个流程中的关键步骤。针对现有计算最小碰集方法中存在的缺陷,提出了运用集合逻辑运算法计算最小碰集,将冲突集表示为集合的逻辑"与"、逻辑"或"运算,通过其运算法则进行运算简化,可得到全部的最小碰集。该方法具有简单有效、数据结构简单、计算简便快捷和易于程序实现等优点。最后通过实例计算,验证了该算法的正确性、简单性和高效性。     

基于集合交的欧式误差状态估计方法

基于集合交的欧式误差估计方法利用集合理论,根据已有的探测数据对目标的状态进行估计,在满足一定的条件下,计算目标状态估计集合。根据该集合确定状态的估计值以及估计的欧式误差范围。可以针对某一次具体的实验,计算目标的状态估计以及误差界。     

对提升新形势下军供保障能力的几点思考

军供站作为地方政府拥军支前的组织机构和战备设施,因“军”而产生、随“军”而发展,始终与人民战争和军事行动紧密相连,是军队后勤不可或缺的重要组成部分。随着国际战略形势和国家安全环境的发展变化,以及部队机动投送能力的新要求,军供保障工作呈现出新的特点。本文针对新形势下部队机动投送需要,从找准“短板”、军民融合、坚持服务等方面,提出了加强新形势下军供保障能力建设的应对之策。     

“夕阳红”宣传队

一个袋子、一把铁锹和一把扫帚是她们每天工作时必备的工具。她们就是农八师144团环卫站的“娘子军”,     

应用模糊集合理论评估武器系统的一种新方法

本文介绍一种应用模糊集合理论评估武器系统的新方法。所提出的方法由于允许各项标准用一个三角形模糊数表示不同加权,它比文献[11]中介绍的方法更灵活。而且,因为提出的方法无需进行[11]中描述的熵加权计算,所以它的执行速度比[11]说明的速度更快。     

特战班的女兵们

在丽江古城时常可以看到一支身着橄榄绿的女兵小分队穿梭在大街小巷。她们就是武警8750部队侦察连女子特战班的女兵们,她们担负着丽江古城的武装巡逻任务,被当地群众和游客喻为"一道流动的风景线"。"酷"、"黑"周日上午,笔者随女兵们一起从营区出发,亲历了她们在景区巡逻的一天。乘车到达巡逻地点,姑娘们携带好随身装具在广场一侧整队集合。瞬间,闪光灯和游客的目光不约而同地聚焦到她们身上,排长吕丽莎铿锵有力的口令和女兵们干净利索的动作,使得人群里不时传来赞叹和掌声。     

磷虾群免疫粒子滤波的机载单站无源定位算法

为了进一步提高机载单站无源定位的精度,将磷虾群优化思想引入到粒子滤波的重采样阶段,提出了一种磷虾群免疫粒子滤波算法。该算法利用磷虾的受诱导运动、觅食以及随机扩散行为,将粒子导向高似然区域,有效缓解了粒子退化问题。同时,其采用了人工免疫算法的变异操作,避免了早熟现象的出现,提高了粒子的多样性,克服了粒子贫化问题。仿真结果表明,新算法改善了机载单站无源定位的定位精度以及收敛速度。     

改进的混合蛙跳算法在雷达网部署中的应用

针对雷达组网优化部署的原则,建立了区域雷达组网优化部署的数学模型,提出了一种基于改进的蛙跳算法的雷达组网优化部署方法。在阐述了改进方法的基础上,与先前方法进行了对比分析。最后,通过计算机仿真试验进行了验证,结果表明:改进的混合蛙跳算法能够快速得到多种优化部署方案,且操作性强,能较好地应用于雷达组网优化。     

多基准站相对定位算法及先验基线向量偏差影响分析

为提高单基准站短基线相对定位解算的可靠性,研究了多基准站约束的相对定位算法。将基准站间可提前测量的先验基线信息融入观测模型中,给出了多基准站相对定位的函数模型和随机模型,在此基础上推导了模糊度精度因子的解析表达式,揭示了基准站数量的增加对模糊度浮点解精度提升的作用;从理论上分析了基准站间先验基线信息中的偏差对模糊度解算的影响,分析表明,当先验基线各分量偏差的绝对值之和小于5 cm时,模糊度解算几乎不受影响;通过仿真和实测数据进行了验证。试验结果表明,增加基准站数量不仅能有效提升模糊度解算成功率和收敛速度,并且对先验基线信息中的偏差具有较好的抑制作用,当基线各分量偏差均增加到4 cm时,实测数据模糊度解算成功率仍能达到92%以上。研究结论为特殊场景下多基准站间的快速非精确标定提供了理论依据。     

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%。