基于毁伤概率的反钻地弹火炮阵地优化配置研究

针对地面火炮武器末端拦截大壁厚钻地弹的作战需求,在对火炮武器系统拦截钻地弹毁伤概率多种影响因素计算分析的基础上,提出了基于拦截毁伤概率计算的火炮数量和部署位置的优化方法,给出了典型的火炮阵地部署方式和相对防护点的部署半径建议,可为反钻地弹火炮武器系统的论证和设计提供技术参考。     

星地融合网络的上行链路覆盖性能分析模型

星地融合网络可以提供天、空、地、海立体全场景信息覆盖,满足用户多样的业务需求。针对星地融合网络,提出了基于覆盖概率的星座数和基站数的分析模型（AMCP）。该模型为星地融合网络的上行链路覆盖概率提供了分析方法。表述卫星星座数和基站数对用户信号的干扰,构建满足用户覆盖概率条件下的卫星星座数和基站密度的表达式。通过仿真分析了卫星星座数和基站密度对覆盖概率的影响,仿真结果为设计星地融合网络提供分析基础。     

面向无人机识别网络中链路中断概率的优化算法

针对无人机识别网络,提出基于时间和带宽资源分配的链路中断概率优化算法（time and bandwidth allocation-based outage probability optimal algorithm,TBAP）。在TBAP算法中,先推导了中断概率的闭合表达式。再建立基于时间和带宽资源分配的中断概率最小化的目标问题,然后运用快速收敛算法求解目标问题,进而获取最优的时间和带宽分配策略。仿真结果表明,相比于传统的二分分配法,TBAP算法具有更低的中断概率。     

基于概率影响图的空战能力评估模型

基于空战指标间复杂的影响关系,引入概率影响图,并结合指标间重要程度的比较对飞机空战能力进行客观评估。利用空战信息流图,依据作战结果计算能力指标值与发生概率,构建空战模型的概率影响图;定性分析能力指标间的影响关系,定量计算综合影响权重;综合考虑比较权和影响权,计算空战能力值。结果证明,影响关系在空战能力评估中占有很大比重。     

同时收发认知抗干扰系统的改进能量检测算法

为增强复杂电磁环境中同时收发认知抗干扰通信系统的性能,研究了基于该系统的改进能量检测算法,推导出瑞利衰落信道中系统的检测概率、虚警概率及中断概率的理论表达式。该改进方法思想是将自干扰信道容量与接收机所需传输速率进行比较,通过比较结果确定能量检测门限值。仿真结果表明,改进能量检测算法能够有效地降低自干扰信号对同时收发认知抗干扰接收机的不利影响,提升系统的中断性能。     

基于作战环的单目标毁伤概率分析

针对现代化战争的特点,基于作战环的思想,将整个作战环分成几个不同的环节进行分析,并提出了一种求解武器装备对于单目标毁伤概率的计算方法。该方法考虑了不同环节对于目标毁伤的影响,定量计算了武器装备对敌方目标的毁伤概率,既从宏观层面上考虑了武器装备的涌现性,又从底层分析了影响目标毁伤的参数。最后通过示例分析验证了方法的可行性和有效性。     

无源雷达截获概率建模与窗口变量影响仿真

在截获概率概念和截获条件的基础上,综合时域、空域、频域等窗口函数构建截获概率模型,分别建立截获过程的4个窗口函数子模型,研究截获概率与窗口函数变量的影响关系。以SPS-48雷达为辐射源,仿真分析各窗口函数变量对截获概率的影响程度,讨论分区策略下无源雷达参数优化对截获概率的影响并总结截获概率提高方法,为无源雷达设计、研制、试验以及使用提供技术支撑。     

基于样块改进的图像修复算法

图像修复是指对图像破损区域进行填充或者将图像中多余物体进行移除。在Criminisi算法的基础上进行改进,在待修复块优先权的计算过程中,由于等照度线的曲率可以反映图像的局部特征,块与块之间的方差值可以反映图像的边缘信息,因此,将二者考虑进来,确保修复过程能够准确有序地进行。在寻找最佳匹配块时,将等照度线的曲率也作为一个因素增加进来,有效地提高了最佳匹配块搜索的精确性。经过仿真实验证明,改进后的算法不仅在PSNR值上比原算法有所提高,而且修复结果也比原算法更加准确可靠。     

光学侦察卫星对地机动目标侦察性能的评估北大核心

建立了基于改进Johnson判则的光学成像侦察卫星对地面机动目标检测概率模型。模型针对机动目标位置变化、运动速度与方向随机性等特点,提出了一种基于高斯分布的目标转移概率密度函数,用以评估卫星搜寻到目标的概率,将原适用于静态目标检测概率计算的Johnson判则,用于机动目标。通过Matlab/STK联合仿真,验证卫星对机动目标的覆盖情况和发现、识别和确认目标的概率性能。模型以发现、识别和确认目标的概率来描述光学成像侦察卫星对地面机动目标的侦察性能,卫星对地面机动目标的侦察性能可以作为规划机动目标行动方案的依据,有助于机动目标规避侦察。     

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。