基于转弯模型的自适应交互式多模型跟踪算法

针对舰炮火控系统中搜索雷达对来袭导弹跟踪为背景,提出一种基于坐标转弯模型(CT)的自适应交互多模型跟踪算法(AIMM-CV/CT),模型集取为一个匀速和一个坐标转弯模型,滤波器采用各子滤波器模型噪声方差在线计算调整的自适应交互式多模型算法;给出了比例导引规律来袭导弹的航路仿真方法,并对AIMM-CV/CT与IMM-CV/CT算法进行了仿真比较.仿真结果证明了本文算法的正确性和有效性.     

复杂约束下的导弹作战任务规划模型和算法研究*

导弹作战任务规划是一个涉及时间、资源、质量和其他关系约束的复杂问题.首先通过定叉约束满足效用对基本约束满足模型进行了扩展,建立了导弹任务规划的约束满足优化模型.在此基础上,研究了任务规划模型求解的时间和效用传播算法,提出了基于综合效用的优化求解框架.该模型和求解框架易于解决具有多种约束因素的复杂问题,具有较好的通用性.通过定义软、硬约束效用,使得实际任务规划问题求解具有更好的灵活性.     

飞行器航路规划算法分析

针对现代军用飞行器任务规划系统航路规划的特点,分析了飞行器航路规划的基本要求,阐述了目前国内外应用和研究的几种航路规划算法:A*搜索算法、遗传算法、粒子群算法、数学规划算法、电势理论法等,并对飞行器航路规划算法的发展趋势进行了展望.     

决策树知识表示的多故障源搜索算法研究

在深入研究产生式规则知识表示的基础上,运用决策树知识表示方法,完成故障诊断专家系统的知识库设计,对传统的单故障源决策树搜索算法进行了改进,解决了相同故障现象的多故障源连续搜索和定位问题,提高了推理机单次故障诊断的定位率和搜索效率,缩短了故障诊断专家系统的诊断时间。     

改进粒子群算法在导弹火力分配中的应用

粒子群优化算法是一种新兴的优化技术,思想来源于人工生命和演化计算理论.由于该算法简单易实现,可调参数少,目前已得到广泛研究和应用.在建立导弹武器火力分配数学模型的基础上,运用改进粒子群算法对模型进行了最优化求解,实例的计算结果表明该优化算法对于模型的求解具有较好的收敛性.     

遗传算法在目标跟踪中的传感器分配算法

传感器在进行目标跟踪时,常规算法主要通过线性规划建立传感器与目标之间的分配方法.但是在对多目标和多传感器的战场环境中,这些方法有一定局限性.研究了基于遗传算法的传感器分配方法,通过构造符合传感器分配这一特殊问题的染色体,从而形成初始种群,然后利用遗传算法模拟生物遗传迭代和自然选择的遗传机理,通过多次选择最终收敛于问题的一个满意解.仿真显示,在大数据运算的环境中,该算法有更高的可行性和有效性.     

ISDT算法的数据压缩处理及其性能分析

过程数据的实时压缩和趋势提取可以显著提高过程控制系统的整体性能.传统的SDT数据压缩算法不能很好地适应现今过程控制的要求,无法获得满意的压缩结果.针对SDT算法的弊端,提出了一种改进的SDT数据压缩算法,并进行了两种算法的性能对比.对合成数据仿真计算的分析结果表明,基于ISDT算法的过程数据压缩性能有大幅度的提高,更好地满足了现今过程控制中实时数据处理和趋势分析的要求.     

高动态GPS抗干扰算法仿真研究

对于高动态条件下GPS(global positioning system)接收机的抗干扰问题,研究等距线阵接收信号模型和基于协方差矩阵扩张的基本原理,并仿真分析了2种基于协方差矩阵扩张的经典抗干扰算法：Mailloux算法和Zatman算法在高动态环境下的作用效果。经过Matlab仿真,结果表明,相比与常规方法,Mailloux方法和Zatman方法在阵元是等距线阵时,都能有效地加宽从干扰方向上形成的零陷,能够提高在高动态环境下的抗干扰效果,使接收机能够捕获卫星信号。     

MIMO-OFDM系统Turbo接收机中的信道估计器

设计了一种新的MIMO-OFDM系统Turbo接收机中的信道估计器.考虑了信道估计误差对编码比特外信息计算的影响,利用软球形译码器的搜索列表和解码器反馈的先验信息对传统EM信道估计中的软信息近似处理进行了修正,获得了更为准确的软符号统计信息用于信道估计,提出了考虑软符号互相关性的Bayesian EM(BEM)信道估计算法.仿真结果表明,新算法较传统EM算法具有更低的误码率和更小的估计均方误差值.     

基于非独立测试的诊断策略优化生成

诊断策略优化设计是测试性设计中的一项重要内容.实际中的测试彼此间并非独立,即测试费用依赖于测试的先后顺序,针对这一问题,提出将测试划分成不同的测试模式,规定当一个测试序列中存在模式变换时必须考虑附加的转换费用.建立了同时考虑测试费用和模式转换费用启发式评估函数,并基于该启发式评估函数设计了近似最优的搜索算法,应用案例验证了本算法.试验表明该方法有效地解决了非独立测试的诊断策略优化生成问题.