从LPS馏分出发合成先驱体聚碳硅烷

采用将液态聚硅烷(LPS)蒸馏分级的方法,从各个馏分出发合成制备了先驱体聚碳硅烷(PCS)。运用GPC等分析测试手段考察比较了各个馏分的差异对在相同条件下所合成聚碳硅烷的分子量及其分子量分布特性的影响。研究表明:在同等条件下,采用以LPS蒸馏分级的方法再从各个馏分出发合成制备先驱体聚碳硅烷的总平均收率比未从经分级处理的LPS出发合成先驱体PCS的收率高35%左右;从200℃以下馏分出发可以合成制备超高分子量的先驱体PCS。     

聚碳硅烷的高温高压合成与减压蒸馏

采用高温高压法合成了聚碳硅烷(PCS),通过改变合成条件与减压蒸馏温度的方法对PCS分子量及其分布进行调控。研究表明,改变PCS的反应温度、反应时间,可以基本控制PCS的分子量及其分布范围。随着反应温度的提高,反应时间的延长,PCS的分子量逐渐增大,分子量分布变宽。当合成温度高于450℃,反应时间大于6h时,或温度高于460℃,反应时间大于4h时,PCS中出现高分子量部分。随着反应条件的强化,高分子量部分逐渐增加,甚至出现超高分子量部分。提高减压蒸馏温度,可以有效降低PCS的低分子含量,提高分子量,降低分散系数。减压蒸馏温度每提高50℃,PCS的低分子含量约降低8%,重均分子量约提高1000,分散系数平均降低约0.3。     

基于相对密度的增量式聚类算法

基于聚类的相对性原则:簇内对象具有较高的相似度,而簇间对象则相反,提出一种基于相对密度的增量式聚类算法,它继承了基于绝对密度聚类算法的抗噪声能力强、能发现任意形状簇等优点[1],并有效解决了聚类结果对参数设置过于敏感、参数值难以确定以及高密度簇完全被相连的低密度簇所包含等问题。同时,通过定义新增对象的影响集和种子集能够有效支持增量式聚类。     

武器装备作战效能灰色聚类评估

武器装备作战效能的指标是多样的,而且意义不同、量纲不同,且指标的实现值往往在数量上悬殊很大,如何在这种情况下比较好的解决作战效能综合评估问题,提出了基于灰色定权聚类和三角白化权函数的灰色聚类评估方法解决此问题,给出了应用的一般步骤。以某型水陆坦克为例,对其改装前后的作战效能进行了对比分析,并为其将来进一步改进提出了建设性建议。     

基于灰色聚类的信息作战指挥协同效能评估

在立足于作战指挥理论的基础上,分析了信息作战指挥协同要素,研究了信息作战指挥协同要素与指挥协同能力之间的映射关系,设计了信息作战指挥协同效能指标体系,利用基于中心点的三角白化权函数对各级指标进行灰色聚类评估。评估结果表明,针对查找信息作战指挥协同活动中存在的短板所提出的改进建议,具有一定的参考价值。     

基于CMAC的模糊神经网络方法

结合模糊神经网络和小脑模型连接控制CMAC理论,提出训练时间短、精度高的CMAC模糊神经网络方法,给出了网络结构、算法,并通过一个维修经费预测实例讲述了这种算法.     

基于多源冲突数据聚类的态势估计方法

传统调和式态势估计方法在面对多源冲突数据时融合效果不佳。为此,提出一种基于冲突数据聚类的非调和式态势估计方法。首先利用迭代自组织数据聚类方法(ISODATA)对多源冲突数据进行聚类,然后利用频度和可信度对数据簇的重要性进行评估,最后得到态势估计结果。仿真结果表明,与传统态势估计方法相比,所提方法在融合多源冲突数据时能够得到可信度较高的态势估计结果。