近地卫星Ka频段数传链路抗雨衰自适应模式设计

针对近地卫星数传时的信道时变性和严重的Ka频段雨衰现象,采用自适应编码调制(Adaptive Coding and Modulation, ACM)技术能够充分利用链路资源,相对于传统的固定编码调制方式,进一步提高链路的数据吞吐量。提出近地卫星Ka频段数传链路ACM模式设计方法,在降雨环境下建立Ka频段数传链路模型,根据链路预算的信道状况确定ACM选用模式;采用基于导频符号的最大似然信噪比估计算法结合移动平均的平滑方法实现信道估计,有效地减小了估计值的波动。仿真结果表明,无论晴天还是雨天,采用提出的卫星数传链路ACM模式设计方法,能够在保证系统可靠性的同时获取较高的数据吞吐量。     

面向大规模容器集群的网络控制技术

针对容器技术在网络层面缺乏控制的问题,设计一套面向大规模容器集群的网络控制架构,分别从容器集群网络的灵活组网、智能适配以及安全隔离三个方向进行研究,主要解决大规模容器集群部署中的网络适配和隔离控制等关键问题。实验结果表明,设计的网络控制架构可以根据网络特点有针对性地实现虚拟局域网的快速划分、网络节点的稳定迁移和节点通信的精确隔离控制。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题,提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系,将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数,构建导弹攻击结果预测模型。在实验部分,结合重构误差和测试错误率确定深度置信网络的网络结构,通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法,满足实时性和准确性要求,所提方法具有良好的应用价值。     

基于Map/Reduce的朴素贝叶斯数据分类算法研究

针对目前机器学习研究领域中的数据分类问题,选择朴素贝叶斯算法作为研究对象。首先,通过对样本数据特征属性的权重进行加权调整,提高算法处理的准确率;然后,改进朴素贝叶斯算法分类器模型,使其能够利用Map/Reduce并行编程模型,采用多计算资源节点并行处理,进一步提高处理速度。最后,对UCI dataset数据库进行实验验证,结果表明:改进后的算法在海量数据分类处理中具有更好的性能表现。     

基于模糊随机贝叶斯网络的意图估计方法

意图估计是数据融合五级模型中态势评估的重要研究内容。意图估计结果的稳定性对于辅助战场决策具有重要意义,在分析了影响意图识别结果稳健性的基础上,将模糊随机贝叶斯网络应用于战场目标的意图分析。在研究了战场环境下网络结点构造及推理方法的基础上,结合具体场景给出示例并进行了仿真验证。     

依托大数据创新实战化教学方式

本文从依托大数据开展体验式实战化教学、对抗演练式实战化教学、想定作业式实战化教学三个方面创新实战化教学方式,结合实战化教学特点,顺应大数据时代的趋势,从教与学的方式、融合施训等方面着手,找准面向战场的路径,不断创新和完善实战化教学方式,提升军队院校人才"能打仗、打胜仗"能力。     

基于地磁测姿的误差建模及仿真分析

在某型制导弹药的弹道修正过程中,地磁信号是解算滚转姿态的重要信息。针对地磁传感器数据精度不足的问题,建立了系统的地磁误差模型。提出了利用BLMS算法处理实验过程大量的测量数据,并对转台振动及环境干扰形成的随机噪声进行滤波,利用参数补偿法对磁干扰进行处理。仿真结果表明,输出信号能够快速、完整地逼近真实地磁信号。该方法能够更加有效处理实验中的采集数据,提高数据处理的精度和收敛速度。     

战场数据融合仿真系统设计与实现

介绍了一种战场数据融合仿真系统的设计与实现方法。该系统由场景设定、信号产生、融合跟踪处理、目标识别、态势与威胁估计与数据库支持等功能子系统组成,模拟了数据融合的整个信息处理流程,包括:主动探测雷达、雷达侦察设备、通信侦察设备和敌我识别器获取敌我目标观测信息、利用多传感器跟踪数据对目标进行融合跟踪、提取辐射源电磁信息特征对敌方目标识别,进而形成态势与威胁估计。最终在Visual C#开发平台上利用MapX和ORACLE开发了战场数据融合仿真系统,并成功应用于实际系统中,取得了较好的效果。     

基于D-S证据理论的协作式频谱感知方法

频谱感知是认知无线电的关键技术,感知精度和速度直接影响到认知无线电网络的整体性能。由于单台感知的性能受环境影响严重,协作式频谱感知被广泛使用。为提高协作式频谱感知性能,采用可变策略的Dempster-Shafer证据理论对两种感知方法产生的信息进行融合:一种是能量检测法,该方法速度快但准确度不高;另一种是周期平稳信号检测法,准确度高但周期长。通过融合实验结果表明,同单独一种检测方法相比,基于Dempster-Shafer证据理论的认知网络,其感知能力明显提高,系统的容错性和敏捷度也有增强。