雷达天线扫描方式的自动识别方法

为了对雷达天线扫描方式进行自动识别,改进开发了天线扫描方式模拟器,并分别研究了电子扫描和机械扫描的特征提取和识别方法。基于最大主瓣脉冲序列的特征参数实现电子扫描和机械扫描的区分,然后基于单个天线扫描周期脉冲序列的特征参数实现8种机械扫描方式的自动识别。仿真结果表明,本文方法能够区分一维电扫、二维电扫和机械扫描,并且采用支持向量机决策树对机械扫描方式的识别正确率高于决策树方法。     

基于群决策协同网络信息的掩护机编队选择

针对任务机群中掩护机编队的选择,用群决策协同网络信息模型进行了掩护机编队的选择。首先,给出了协同网络、模糊数和语言变量的相关概念;其次,分析了掩护机编队选择的指标体系框架和协同网络信息框架;然后,构建了群决策协同网络信息的数学模型,在此基础上,给出了方案选择的步骤;最后,运用该模型对掩护机编队的选择进行求解。结果表明：该模型能够综合群体专家的知识,解决掩护机编队选择中的定性判断问题。该模型可用于个体指标和协同指标均为定性指标时的方案优选问题。     

基于支持向量机的多元文本分类研究

根据文本分类的特点,在对最小二乘支持向量机方法进行详细分析的基础上,创建了基于最小二乘支持向量机的多元文本分类器.实验表明,采用该文本分类器能够在保持较高分类精度和召回率的基础上,提高训练效率,具有一定的可行性.     

基于小波系数相关性的图像隐写分析

提出了一种新的针对空域图像隐写的盲检测方法。利用互信息分析秘密信息嵌入对图像小波系数在尺度方向和空间方向相关性的影响,使用马尔可夫模型挖掘小波系数层内和层间相关性,提取转移概率矩阵作为特征,以支持向量机（SVM）作为分类器。针对LSB匹配和随机调制隐写算法。实验表明,本方法能有效检测到未经JPEG压缩过的含密图像。     

拉美反潜新杀手C-295MPA型海上巡逻机

一提到海上巡逻机,世人就马上想到美制P-3C型海上巡逻机和P-8A型多功能海上巡逻机（美海军新一代海上巡逻机）、法制“大西洋”海上巡逻机和英制HS-801型“猎迷”海上巡逻机。事实上还有一款海上巡逻机畅销拉美地区却不被世人熟知,它就是C-295MPA型海上巡逻机。2012年7月11日,空客公司军事分部（原西班牙航空制造公司）1架C-295MPA型海上巡逻机携带1枚“火星”MK2／S型轻型反舰导弹成功完成了首次试飞任务,使世人再次关注畅销拉美的该型巡逻机,更关注其性能究竟如何。     

基于小波矩和支持向量机的装甲车辆识别研究

分析了应用小波矩特征进行地面复杂背景下装甲车辆识别的理论依据,实地采集了某型坦克和某型步兵战车的灰度图像,提取其小波矩特征,采用支持向量机进行分类识别,进行了性能测试实验。结果表明：归一化后的图像的小波矩特征具有良好的不变性;小波矩特征对噪声和局部遮挡有较强的适应性,识别率比较稳定;支持向量机方法具有良好的分类识别能力。     

舰机协同反潜有利态势初探

为研究舰机协同反潜的典型有利态势,为指挥决策提供依据。首先,依据敌我探测距离、攻击距离的对比,提出了舰机协同反潜有利态势的判断原则;其次,利用该判断原则对三种典型对抗条件下的战场态势进行了深入分析,得到了各种对抗条件下的有利态势;最后,分析了有利态势对作战指挥决策的重要作用,初步提出了基于有利态势的作战指挥决策流程。为进一步研究基于有利态势的舰机协同攻潜辅助决策方案生成奠定了基础。     

GM(1,1)和SVR的雷达电子部件状态趋势预测模型

为提高雷达电子部件状态趋势预测的精度,根据测试数据特点,提出了基于GM(1,1)与支持向量机回归(SVR)的组合预测模型。采用粒子群优化算法分别对GM(1,1)和SVR模型进行了改进,提高了单一模型的预测精度。在此基础上,结合GM(1,1)模型对趋向性数据的预测优势和SVR模型对数据波动的强适应性,达到了取长补短、相得益彰的效果。实验结果表明该组合模型不但具有更高的预测精度,而且对不同预测对象有更强的适应能力。     

基于LSSVM和信息熵的航材备件组合预测方法

为了实现航空装备的精确化保障,需要对航材备件数量进行预测,现有方法难以在小样本的条件下,准确地预测航材备件数量,为此提出了一种基于最小二乘支持向量机和信息熵的组合预测方法.首先,将基于最小二乘支持向量机的一元预测方法和多元预测方法相互结合,提出了一种组合预测模型;然后,使用信息熵理论对组合预测模型的权重系数进行优化;最后,给出了所提预测方法的计算步骤.实验结果表明,所提方法在预测航材备件数量时,具有较高的准确性.     

某高性能激光测距机总体设计与分析

针对某型激光测距机的高性能要求,在总体设计中采用多发散角分档可调、恒比定时鉴别和厘米级高分辨率计数器等项技术和措施,对激光测距作用距离、回波率以及发散角选择进行详细计算,计算结果表明总体组成能满足指标要求。