基于非独立测试的诊断策略优化生成

诊断策略优化设计是测试性设计中的一项重要内容.实际中的测试彼此间并非独立,即测试费用依赖于测试的先后顺序,针对这一问题,提出将测试划分成不同的测试模式,规定当一个测试序列中存在模式变换时必须考虑附加的转换费用.建立了同时考虑测试费用和模式转换费用启发式评估函数,并基于该启发式评估函数设计了近似最优的搜索算法,应用案例验证了本算法.试验表明该方法有效地解决了非独立测试的诊断策略优化生成问题.     

一种直线段匹配的新方法

直线特征在人造目标和环境中普遍存在,直线段的匹配是三维重建等应用领域的首要解决问题.一般单直线的匹配方法难以解决被部分遮挡直线的匹配问题,提出了一种基于极线约束和RANSAC算法的匹配方法.对直线段上的点运用基于极线约束的匹配方法在另一幅图像中进行点的同名匹配,采用RANSAC算法建立直线模型,剔除野值,得到匹配直线段.本方法能有效地解决图像中被部分遮挡直线段的匹配问题,仿真实验和实际图像实验证实了本算法的正确性和高精度.     

基于粒子群优化的稀疏分解最优匹配原子搜索算法

信号的稀疏分解能得到信号的稀疏表示形式,便于进一步处理,但其计算非常复杂,是一个NP问题.粒子群优化是群体智能优化算法,算法简单,易于实现,且搜索效果好.把粒子群优化算法用于稀疏分解的最优匹配原子的搜索,能降低稀疏分解复杂度,同时减少稀疏分解的超完备字典对存储空间的占用,以提高用稀疏分解理论进行信号处理的计算效率,满足或接近实时性的要求.实验证明,此方法切实可行.     

车载UWB SAR干扰自适应抑制新方法

在分析车载超宽带合成孔径雷达(UWB SAR)探测系统中干扰类型及其产生机理的基础上,针对Tsaipei Wang等提出的批处理方法的局限性,提出一种基于迭代运算的图像域自适应干扰抑制方法.该方法利用基于韦布尔分布的恒虚警率(CFAR)检测器提高干扰信号估计的准确性;采用迭代方法在线估计和更新参数,实现干扰的自适应抑制.实测数据处理结果表明:该方法可有效抑制自信号干扰,且结构上适于实时处理,可满足车载UWB SAR探测系统对图像预处理的要求.     

跟踪机动目标的一种新的多模型算法

在机动目标跟踪的多模型(MM)方法的研究中,提出了一种新的多模型方法,即最小子模型集切换(MSMSS)算法.这种MSMSS算法从总模型集中自适应确定最小模型集,用来完成多模型(MM)估计.仿真结果表明,和标准的交互式MM(IMM)相比,所提到的算法,在保持同等的跟踪性能的前提下需要很小的计算量,在计算量相等的情况下具有更好的跟踪性能.     

Rodrigues参数与四元数间的关系分析

介绍了Rodrigues参数,从投影的角度,详细阐述了四元数与经典Rodrigues参数及改进型Rodrigues参数的关系,推导了Rodrigues参数微分方程以及与姿态阵的关系,建立了等效旋转时避免奇异值出现的方法.以典型圆锥运动为背景,对以Rodrigues参数描述的导弹捷联姿态算法和以四元数描述的姿态算法在计算量和计算精度上做了详细的比较.     

基于蚁群算法的防空兵兵力机动线路优化

根据防空兵对机动线路的要求以及战时的安全性特点,得出影响防空兵兵力机动线路选择的因素,引入里程指数的概念.将线路的长度进行修正赋权,给出兵力机动线路的等效线路长度.把这一等效线路长度结合到蚁群算法中.能够较好地模拟现代战场的复杂环境对防空兵兵力机动路线选择的影响,并科学、合理地选择路线,为指挥员的决策提供帮助.     

用一种自适应UKF滤波器跟踪机动目标

在非线性系统中用自适应Kalman滤波器跟踪机动目标时,必须采用扩展Kalman形式,但扩展Kalman有精度低、易发散的缺点.在标准UKF滤波器的基础上,应用无迹变换将测量坐标系下的滤波残差统计特性转换到三维笛卡儿坐标系下,根据三维坐标下的滤波残差变化实时改变过程噪声协方差矩阵的大小,实现了自适应UKF滤波.滤波器既具备UKF滤波器精度高,不易发散的优点,同时不需了解目标机动的先验信息.仿真表明了本滤波器的有效性.     

防空火力分配问题的蚂蚁算法模型

在对空防御作战中,对多目标的火力分配是有效组织防空作战,提高防空效率,提高己方生存能力的有效途径.对蚂蚁算法原理和火力分配问题进行介绍的基础上,采用蚂蚁算法,建立了基于蚂蚁算法的火力分配模型,并进行了仿真.同时,采用蒙特卡罗法和遗传算法进行了计算,并和蚂蚁算法所得的结果进行了比较,计算结果表明蚂蚁算法能较好地解决防空火力分配问题.     

一种改进的基于MDLS与GA的作战资源分配算法

联合作战任务计划的核心是任务和行动,其目的就是如何有效地将作战资源分配到各个任务中去,考虑到分配过程中的各种约束,对这一问题的求解即是解决一个组合优化问题.提出了一种改进的基于 MDLS 与 GA 的任务计划算法,结合了两种算法的优点,回避了各自的不足;通过案例的实验,以更小的计算代价获得了较优的结果,证明了算法的效率和研究该问题的意义.