一种消除直线永磁无刷直流电机边端效应对换相时机影响的方法

电磁弹射用直线永磁无刷直流电机的永磁体动子具有开断结构,使动子边端的磁场分布发生变形。当采用霍尔元件检测磁场实现换相时,这种边端效应就会影响换相时机。分析了这类电机的换相机理和动子开断结构对换相时机的影响,指出这类边端效应受极弧系数影响显著,并提出了利用不对称滞环比较器或简易单限比较器对霍尔输出信号进行处理从而消除这类边端效应影响的方法,实验验证了简易单限比较器方案的可行性。     

基于主观综合评判的作战仿真可信度评估方法研究

可信度是作战仿真的生命线,对作战仿真系统建设全生命周期进行校核、验证与确认(verification,validation and accreditation,VVA)是确保其可信度的重要途径。合适的评估方法是进行可信度评估的前提条件。在全面分析与比较已有可信度评估方法基础上,针对作战仿真可信度评估中突出主题专家作用的特点,提出了一种基于主观综合评判的可信度评估方法,重点设计了基于专长权的主题专家权重定量计算方法。这些方法都被应用于"××作战仿真系统"的可信度评估工作中。实践表明,本文的研究对于作战仿真系统等复杂仿真系统的可信度评估非常有效。     

基于模糊聚类的多目标跟踪算法

提出了一种新的基于模糊聚类的多目标跟踪算法,该算法通过一种改进的模糊聚类算法,首先得到可能的目标数和测量点迹与目标预测位置之间的隶属度,然后结合Kalman滤波将隶属度作为权值系数对预测新息向量进行加权,来实现目标状态估计的更新。仿真结果表明,传统数据融合多目标跟踪算法,一般需要假定目标数并且在多目标密集时易产生关联错误而导致跟踪发散,新算法通过模糊聚类客观有效地确定了目标数并且通过加权过程保证了对多目标密集时的高精度。     

军用飞机改进改型研制费用的参数估算法

首先分析并建立了军用飞机改进改型研制的费用分解结构,阐明了与新研飞机在各分项费用上的差别。基于当量工程的概念提出了用减缩系数来估算改进改型研制的费用修正和各分项费用的减缩系数的估计方法,结合现有成熟的参数估算模型建立了相应的改进改型研制的费用估算模型。最后,以某型飞机的改型研制费用为例进行了实例分析,结果表明方法与模型具有较好的有效性和实用性。     

非线性滤波方法在水下目标跟踪中的应用

在对扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波3种非线性滤波方法进行研究的基础上,对粒子滤波算法的重要性密度函数的选取方法进行了研究。结合水下目标的被动跟踪的应用背景,比较了3种滤波算法在水下目标跟踪中的性能差异。结果表明,粒子滤波算法能较好的用于非线性、非高斯条件下的水下目标跟踪。     

新型伪噪声雷达波形研究

研究一种新型伪噪声雷达信号波形,该波形采用了多个脉冲组,每组脉冲中调相的伪码相同,相邻组内的脉冲调相所用的伪码捷变,同时每个脉组内的各脉冲频率捷变。理论推导和仿真分析了这种雷达信号波形的模糊函数,仿真结果表明这种信号具备良好的距离和速度分辨力及低截获概率,能测高速和远距离目标,工程上也易于产生和处理,具备良好的应用前景。     

电子战训练仿真系统开发方法研究

为了提高电子战训练仿真系统开发的效率和质量,参照建模与仿真领域和软件工程领域中的模型开发与运行过程模型,提出了一个基本开发过程,将基于高层体系结构HLA电子战训练仿真系统的开发划分为相互关联的9个阶段,规定了每个阶段的开发活动。展示了联邦成员软件自动生成工具KD-FedWizard在基于HLA电子战训练仿真系统分析、设计和实现中的应用。     

侵彻子母弹封锁机场跑道最小升降窗口搜索算法研究

针对侵彻子母弹封锁机场跑道中判断是否存在最小升降窗口的"两点比较"算法,提出更为符合实际毁伤情况的"网格-矩阵"算法。采用随机分布的数学模型和计算机仿真模型,利用Monte Carlo法模拟侵彻子母弹子弹的落点。最后在Matlab7.0环境下对两种算法进行了仿真试验和对比分析,提出两种算法在火力辅助决策中的使用建议。     

轻量级接入点协议LWAPP的应用及其安全性分析

轻量级接入点协议(Lightweight Access Point Protocol,LWAPP)是一个新的无线局域网协议,该协议被设计用来传输和控制无线接入点和无线局域网控制器之间的通信。LWAPP把一些传统的无线接入点的一些功能移到了无线控制器中,以实现对无线接入点的统一控制和集中管理。简单讲述了LWAPP的功能和作用,同时分析了LWAPP的安全性,列举了一些该协议可能会受到的攻击类型,并提出了一些解决方案。     

Annealing adaptive search,cross‐entropy,and stochastic approximation in global optimization

The Annealing Adaptive Search (AAS) algorithm for global optimization searches the solution space by sampling from a sequence of Boltzmann distributions. For a class of optimization problems, it has been shown that the complexity of AAS increases at most linearly in the problem dimension. However, despite its desirable property, sampling from a Boltzmann distribution at each iteration of the algorithm remains a practical challenge. Prior work to address this issue has focused on embedding Markov chain‐based sampling techniques within the AAS framework. In this article, based on ideas from the recent Cross‐Entropy method and Model Reference Adaptive Search, we propose an algorithm, called Model‐based Annealing Random Search (MARS), that complements prior work by sampling solutions from a sequence of surrogate distributions that iteratively approximate the target Boltzmann distributions. We establish a novel connection between MARS and the well‐known Stochastic Approximation method. By exploiting this connection, we prove the global convergence of MARS and characterize its asymptotic convergence rate behavior. Our empirical results indicate promising performance of the algorithm in comparison with some of the existing methods. © 2011 Wiley Periodicals, Inc. Naval Research Logistics, 2011