智能天线DBF算法可重构的SCA设计及其仿真实现

文中在分析智能天线DBF算法与工作原理的基础上,结合软件通信体系结构(SCA),提出了一种智能天线DBF算法可重构系统的SCA设计方案,并在OSSIE平台上仿真实现。仿真结果表明,文中所提设计方案实现了DBF算法可重构,同时提高了系统的抗干扰能力。     

移动Ad Hoc网络中“虫洞”攻击分析及算法设计

阐述了＂虫洞＂攻击原理,建立了攻击模型和流程图,针对典型路由协议进行了＂虫洞＂攻击分析及算法设计,并用OPNET软件对＂虫洞＂攻击进行仿真。仿真结果初步验证了＂虫洞＂攻击对Ad Hoc网络的危害性。     

GPS单孔径双极化天线抗干扰算法与性能分析

设计了一种利用单孔径双极化天线进行GPS自适应抗干扰的方法,并对算法的性能进行了详细的分析.新方法在不降低卫星信号质量的前提下,仅占用单个天线位置,就可以对付窄带或宽带干扰,为增强安装受限装备的导航抗干扰能力提供了一种新的解决方案.仿真结果表明,新方法可行、有效.     

基于FPGA的带回溯的Smith-Waterman算法加速器的设计与实现

针对传统的Smith-Waterman硬件算法加速器未保存回溯路径而无法回溯的问题,通过将计算路径存入外存,在FPGA平台上基于脉动阵列实现了带回溯的Smith-Waterman算法加速器,详细阐述了算法加速器回溯设计中的关键技术以及算法加速器的系统结构.实验表明,与传统的解决方案相比,带回溯的算法加速器最高可获得161倍加速比,能够有效提高带回溯的Smith-Waterman算法执行效率.     

基于Lambert算法的脉冲精确变轨策略

Lambert问题的求解多以二体假设为基础,从而对精确轨道控制带来不利影响.提出了一种脉冲修正策略,建立了考虑摄动影响的航天器轨道动力学计算模型,在Iambert算法基础上,通过拟牛顿法对变轨脉冲进行修正,消除终端状态误差,从而获得精确的变轨脉冲.将该修正策略用于固定时间精确变轨问题,建立了两层规划模型,并通过算例验证了算法的有效性.     

一种基于规则的OWL-S本体语法一致性维护方法

OWL-S本体语法一致性维护是语义Web服务维护工程中需要重点研究的问题.提出一个一致性维护框架指导知识工程师进行OWL-S本体语法一致性维护,定义并抽象出OWL-S本体基本变化,提出变化关联矩阵分析基本变化间的依赖关系,基于关联矩阵提出额外变化序列生成算法分析基本变化对全局的影响,并分析了算法时间复杂性.对OWL-S本体语法一致性规则进行了形式化定义,使机器能够自动检测这些规则,辅助知识工程师完成OWL-S本体语法一致性维护工作.     

空间机器人抓捕任务的六自由度同步控制逼近策略

利用空间机器人抓捕目标卫星是航天器在轨服务的主要模式之一.针对空间机器人对无控旋转卫星的抓捕逼近问题,为了提高适合抓捕的时间范围,研究了六自由度(6-DOF)同步控制逼近策略.采用修正罗德里格斯参数描述姿态,给出了无控旋转卫星的运动模型;假设空间机器人采用动量轮控制姿态,通过分开处理轨道同步和姿态同步建立了6-DOF同步控制问题模型;考虑惯量参数的不确定性,利用自适应输出反馈控制原理,分别推导了轨道同步和姿态同步跟踪控制律.仿真算例表明在空间机器人惯量参数不确定和摄动作用下可以有效实现同步跟踪.     

基于NSGA-Ⅱ多目标优化的C2组织设计

把NSGA-Ⅱ算法用于求解C2组织设计问题.分析了C2组织设计常见处理算法在优化目标处理和算法流程两方面存在的问题,给出用NSGA-Ⅱ算法求解C2组织设计问题的算法设置.把NSGA-Ⅱ这样一种多目标优化算法引入C2组织设计问题,改变了以往研究此类问题时只能定义单个指标的情况,使领域专家能定义和研究新的优化目标.针对C2组织设计问题的特性做了调整后,实验结果数据表明NSGA-Ⅱ可以迅速地同时得到高质量和富有启发性的一群优化结果.     

一种稳健的自适应IIR陷波器复数级联算法

针对背景噪声中多个复正弦信号的提取问题,提出利用二阶陷波器复数算法的级联来实现,并给出了一种自适应级联算法.基于对软件复杂度和计算量的考虑,在这种算法的基础上又给出一种改进的二阶自适应陷波器级联的复数算法,大大降低了系统复杂度和计算量.仿真实验表明,两种陷波器级联算法均能很好地提取背景噪声中的复正弦信号,并准确估计复正弦信号的频率.     

基于神经网络的混合双滤波器自适应目标跟踪算法

在分析近期基于神经网络数据融合的目标跟踪算法的基础上,结合一种新的自适应滤波模型(NAF)和速度估计自适应跟踪算法(AVE),提出了基于神经网络混合双滤波器的机动目标自适应跟踪算法(NHDF).该算法通过在线自动调节网络输出进行过程噪声方差融合,降低了现有算法因系统方差的调整不当而带来的精度损失.理论分析及仿真结果证明,与"当前"统计模型、速度自适应模型和新的自适应模型算法相比,该算法具有跟踪精度高,自适应能力强的优点.