基于多标签学习的探索性仿真实验因素筛选方法

探索性仿真实验是一种认识、研究战争的重要手段,但往往面临想定样本空间复杂程度高,空间维度爆炸等问题。针对上述问题,提出一种定性定量相结合的基于多标签学习的实验因素筛选方法。首先,基于定性分析设计并实施仿真预实验,采集处理实验数据,解决机器学习样本数据缺失问题;随后,引入输入控制层搭建深度神经网络,引入稀疏正则化,在多标签模型训练过程中实现特征选择;然后,回归定性分析,补充完善实验因素;最后,以某作战样式下立体投送行动仿真推演为背景进行实验验证。实验结果表明,筛选的实验因素与作战行动现实情况吻合。     

一种基于自抗扰方法的姿控直气复合控制系统设计

在建立的复合控制导弹短周期线性化运动模型基础上,提出了气动力/直接力复合控制方案.气动力控制子系统采用三环控制结构,过载环采用PI控制,攻角环和角速度环采用自抗扰控制.随后根据模糊控制设计了气动力/直接力分配策略,用矢量合成方法设计了直接力控制子系统的点火逻辑.最后,在典型仿真场景下进行了仿真验证.结果表明,拦截高空目...     

基于卷积神经网络的卫星网络协调态势评估方法

为充分发掘利用海量卫星网络数据,提高决策效率,加强空间频轨资源获取与储备的分析手段,尤其是对地球静止轨道资源的协调获取问题,提出基于机器学习算法的卫星网络态势评估策略。通过对卫星网络协调因素进行特征分析,选择卷积神经网络(Convolution Neural Network, CNN)为目标算法模型,并建立算法模型的训练数据集及Label规则,采用分裂信息增益度量方法对数据进行降维处理,建立CNN评估模型,并进行了验证分析。结果表明,CNN模型对卫星网络协调态势评估问题测试的正确率高达80%以上,具有较高的评估效能。随着数据量的增多,CNN评估效果逐步提升,是一种在卫星网络协调态势分析、资源储备的有效评估方法。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理;设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力;利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

基于体系仿真大数据的效能评估方法

随着复杂系统仿真技术、计算能力和数据管理能力的发展,仿真数据逐步呈现大数据特点,评估指标之间也存在高维度、高冗余、高相关等突出问题。结合上述背景,分析了基于体系仿真的效能评估问题研究现状,介绍了深度学习技术的研究进展。指出采用合理的指标约简方法、使用高效的神经网络模型进行效能评估是下一步的研究重点。     

深度神经网络指导下的无线覆盖预测算法

为保证新一代移动无线网络能够根据实时覆盖情况动态地调节小区天线参数,需要实现高效且准确的无线覆盖预测。传统的求解方法通过精确的场强预测判断天线参数的优劣,虽然精度很高但需要大量的计算资源,无法满足5G和后5G移动网络通过实时覆盖预测进行射频参数动态调整的实际需求。现采用基于深度神经网络的算法对给定天线参数的覆盖效果进行预测,以取代对目标区域的精确场强预测。数值结果表明:该方法能够在保持计算准确性的同时显著减少计算量,为5G动态网络规划提供基础性参考数据。     

基于SADRC的四旋翼飞行器姿态解耦控制方法

针对线性自抗扰(Linear Active Disturbance Rejection Control,LADRC)在四旋翼飞行器姿态控制中存在初始状态误差较大时可能产生"峰值"现象的问题,提出了一种基于线性/非线性自抗扰切换控制(Switch in linearnonlinear Active Disturbance Rejection Control,SADRC)四旋翼飞行器控制方法。以实验室现有的3-DOF四旋翼飞行器平台为研究对象,建立了其姿态的数学模型,引入SADRC对其基本原理进行了介绍;基于SADRC设计了四旋翼飞行器姿态解耦控制器,并对系统单通道的稳定性进行了分析;对控制方法进行了实验验证。结果表明,SADRC控制器可有效避免LADRC控制器因为初始状态误差引起的"峰值"问题,抗干扰性能进一步提高。     

基于相遇时间感知的延时容忍网络路由

延时容忍网络(Delay-tolerant Networks,DTNs)是稀疏的移动自组织网络,其无法建立源节点至目的节点整条路径。目前多数工作是在分析转发算法,而基于短相遇接触时间(Contact Duration Time,CDT)事实下的转发算法的研究工作甚少。为此,提出基于相遇接触时间的时延容忍网络路由(Contact Duration-Aware Routing,CDAR)。利用CDT、相遇间隔时间以及消息的时效计算一跳和两跳传递概率,再依据当前接触的和过去接触的节点中选择转发节点,从而构建低成本路由。实验数据表明,与同类的PROPHET路由相比,提出的CDAR路由的消息传递率提高了10%、平均时延缩短了12%和路由成本下降了23%。     

基于GA-Elman神经网络的水下集群作战效能评估

在现代化海战中,大力发展水下作战集群是海军信息化发展的必然途径,针对这种新的作战样式,对其作战效能进行准确可靠的评估至关重要。Elman神经网络能克服传统评估方法依赖于专家经验的缺点,但其自身的权值更新方法易陷入局部极小,为此,采用遗传算法(Genetic Algorithm,GA)对Elman网络进行全局优化,构建基于GA-Elman神经网络的水下集群作战效能评估模型,并应用实例对模型进行仿真验证。仿真结果表明该模型可以准确有效地对水下集群作战效能进行评估。     

基于CNN的窄带雷达空中目标识别方法

空中目标识别是雷达的重要用途之一,窄带雷达因体制限制,无法获取目标高分辨识别信息供分类识别。为解决窄带防空预警雷达对空中目标识别判性难的问题,提出了基于卷积神经网络的空中目标识别方法,就空中目标识别判性模型的构建、训练数据集的生成进行了研究,采用模拟数据集及实测数据对模型进行了检验,结果表明该方法具有较好效果。