基于模糊的联合概率数据关联简化算法

为解决联合概率数据关联(JPDA)实时性差的问题,提出了基于模糊的联合概率数据关联简化算法。首先结合模糊理论、概率数据关联(PDA)算法,构建模糊矩阵,并根据隶属度大小建立新的确认矩阵,然后采用JPDA算法计算关联概率。仿真结果表明算法简单有效,与JPDA算法相比,在跟踪性能相当的前提下,算法的实时性能得到了较大提升。     

基于平均可工作概率的星间链路整网抗干扰性能评估方法

导航战条件下的全系统自主导航运行是卫星导航系统星间链路建设的重要目标之一。对星间链路在导航战情况下的工作性能进行准确评估具有非常重要的意义。星间链路的整网抗干扰性能与单星抗干扰能力、星间信号体制、建链策略、网络体制等多种因素均有关系,比较复杂,从而为其准确评估带来很大困难。为准确评估导航战条件下星间链路的整网抗干扰性能,对影响星间链路整网抗干扰性能的各种因素进行分析,并在此基础上对整网抗干扰性能评估场景进行建模设计。提出了以干扰场景遍历条件下的平均可工作概率为指标的星间链路抗干扰性能评估方法,定义了可用率评估指标体系,从而使准确、定量评估星间链路整网抗干扰性能成为可能。     

箔条干扰条件下舰空导弹单发杀伤概率计算

目前,对导弹抗干扰能力的要求越来越高,干扰条件下的导弹单发命中概率已成为评定导弹性能的重要指标.针对箔条干扰条件下舰空导弹单发杀伤概率评定,建立了雷达导引头接收端信干比模型、舰空导弹圆目标落入概率模型以及抗干扰改善因子模型,从而构建了箔条干扰条件下舰空导弹单发命中概率模型,计算出真实有效的单发命中概率.     

基于EKF算法的弹道导弹助推段跟踪建模与仿真

围绕弹道导弹助推段跟踪问题,分析了助推段反弹道导弹的基本作战过程,建立了弹道导弹助推段动力学模型,分别就单传感器/单弹道导弹和多传感器/多弹道导弹两种情况建立了基于EKF算法的弹道导弹助推段跟踪模型,并通过算例验证了模型和算法的有效性,可为助推段反弹道导弹建模与仿真提供一定的参考。     

相参辐射源安全诱偏反辐射导弹研究

相参诱偏技术,相对目前广泛采用的非相参诱偏技术,理论上可将反辐射导弹诱偏至导弹杀伤半径外的安全区域,具有一定的应用前景,其实现难点主要在于相位差的控制。通过两点源反辐射导弹诱偏模型,得出相参辐射源安全诱偏反辐射导弹所需要的相位差,提出利用交互多模-概率数据关联滤波估计的方法对反辐射导弹的位置进行滤波估计以减少相位差误差。仿真试验表明,该方法能有效提高定位精度,减少相位差误差。     

智能水雷主动干扰方法研究

针对传统的扫雷方法在清除智能化水雷引信方面存在的不足,分析了利用主动干扰信号反水雷的思路,通过分析智能引信的工作机理及在干扰背景下对目标信号的检测能力,建立了基于奈曼-皮尔逊准则的主动干扰反水雷模型.针对水雷磁引信,选择电极式电磁扫雷具为干扰源,以中型舰船为保护对象,通过计算三者的相互位置与信噪比的关系,以及水雷检测出...     

广义计数型序贯抽样检验

针对计数型产品的可靠性验证试验,提出了一种广义计数型序贯抽样检验方案,该检验方案实际上是经典序贯概率似然比检验的推广.通过构造马尔可夫链模型,研究了广义计数型序贯抽样检验方案的风险计算方法.在此基础上,给出了广义序贯抽样检验方案的制定程序.最后,通过实例分析表明:广义序贯抽样检验方案比国际标准IEC1123所推荐的方案...     

航空自导深弹攻潜模型与仿真

针对反潜巡逻机使用磁探仪和自导深弹的攻潜效能研究,提出了一种基于蒙特卡洛法的计算模型。在建立攻潜坐标系的基础上,给出了连投深弹射击深度的定义;结合磁探仪定位原理,提出了基于峰值追踪的定位目标和连投攻击的方法。仿真结果表明,该方法能够提高命中概率。给出了目标分布和连投深弹的散布模型,根据攻潜过程和命中判定条件,进行了攻潜效能的计算,并仿真分析了影响攻潜效能的主要因素,研究了投弹间隔的确定方法。     

基于观测值和真值计算的概率差异分析

作战效能与攻击决策通常都用概率描述一些不确定问题,然而概率有主观与客观之分,为了说明其不同,以一个假想的直进射击问题为例,只考虑目标运动速率误差,对已知真值或观测值所面对的不确定问题的实质进行了讨论。结论表明,当涉及射击成功概率这些问题时,对其实质与作用有必要给出清楚的说明。只知观测值所计算的概率是主观的,可用于决策信念的支持,基于主观概率进行决策,其精确性十分依赖于所使用的关于观测量真值先验知识的精确性。     

分块自适应加权改进大规模概率模糊聚类

为解决传统基于贝叶斯理论的概率模糊聚类(Bayesian Fuzzy Clustering,BFC)算法在处理大规模数据集聚类时的时间开销和存储代价瓶颈,提出基于数据分块的单程自适应加权BFC算法,算法在大规模数据集分块的基础上,设计了基于数据加权的改进BFC算法,用于数据分块内数据聚类,以挑选出对聚类贡献最具代表的标识数据及其自适应权值,在块间迭代聚类过程中,将标识数据及其权值合并到下一数据块中并参与聚类,从而将上一数据块的聚类信息有效地传递到下一数据块中,最后分析算法的收敛性和时间复杂度.实验结果表明,算法在继承传统BFC算法良好聚类性能基础上,减少计算复杂度,有效提高聚类效率,适用于大规模数据集聚类.