航天测控系统任务可靠性分析的EOOPN模型

提出了一种可用于航天测控系统任务可靠性分析的扩展面向对象Petri网（extend object-oriented Petri nets, EOOPN）模型,旨在对给定的航天测控方案进行可靠性评估分析。针对问题特点明确了OOPN扩展思路,给出了EOOPN模型的形式化定义、运行规则和建模步骤,模型通过引入公共库所、激发弧、消息变迁和消息处理函数等概念,体现了面向对象的思想,具有很好的层次性和模块性。所建立的EOOPN模型能够完整的描述航天测控系统的组成和任务特点。通过对算例模型仿真运行,表明实验结果具有良好收敛性,与Markov解析值对比误差在1%以内,从而验证了模型的有效性。     

ICAO二阶阶跃畸变模型下的SAIM接收机测距精度分析

测距精度是评估卫星自主完好性监测（SAIM）接收机在导航信号畸变环境下工作性能的一个重要指标,论文从数学上推导出了SAIM接收机在国际民航组织（ICAO）二阶阶跃畸变模型下采用早晚相干跟踪处理时测距精度与畸变模型参数的解析表达式,理论分析和仿真结果表明数字畸变将导致接收机伪码鉴相器输出曲线存在过零点偏差,数字畸变量基本不影响接收机测距方差;模拟畸变将扭曲相关峰函数和鉴相器输出曲线,但鉴相器输出基本上不存在过零点偏差,模拟畸变参数、前端滤波器带宽和早晚码间距共同影响接收机的测距方差。     

弹药库防静电方法研究

根据弹药库静电危险场所的分类等级,以形成静电危害的3个基本条件为依据,讨论了弹药库防静电危害常用措施:设施设备静电接地、防静电工作台、人体静电防护、铺设导电(或防静电)地面以及各自防静电要求.这些措施为防止和消除弹药库的静电危害提供了根本保障.     

美国2014年《四年防务评估报告》特点

2014年3月4日,美国国防部向国会提交了2014年版《四年防务评估报告》和《2015财年国防预算报告》。《四年防务评估报告》更新了再平衡战略,为美军建设提出了优先发展方向,要求美军联合部队向“更小型化”转型,以满足未来军事行动需求。     

面向恶劣环境的高效P2P网络拓扑维护方法

互联网逐渐成为现代社会的重要信息基础设施。Peer-to-Peer(P2P)技术是近年来兴起的一种分布式互联网计算技术,具有广阔的应用前景。FissionE是一种基于Kautz图的结构化P2P覆盖网,具有较高的路由性能。针对恶劣环境下结点失效导致的FissionE拓扑维护性能较差的问题,文章对FissionE的P2P拓扑维护方法进行改进,其基本思想是:直接由门结点产生ZONE消息,避免传统FissionE的ZONE消息产生机制带来的维护开销,从而在恶劣环境下获得更好的拓扑维护性能。     

一类具有饱和发生率的离散型SIS传染病模型

研究一类具有饱和发生率的离散型SIS传染病模型,得到了模型的基本再生数.通过线性化的方法,运用LaSalle-Lyapunov定理,证明当基本再生数R01时,无病平衡点是全局渐近稳定的;通过迭代的方法,证明当基本再生数R01时,地方病平衡点是全局渐近稳定的.     

分布式指挥控制决策冲突问题的一致性模型

基于复合标度的二元语义评价方法,提出了一种用于分布式指挥控制决策冲突问题的一致性模型。该模型首先对决策者的一致程度进行判断;其次,测量出个人与整体的偏好偏差,并由模型中的反馈机制提出相关反馈建议;最后通过算例表明该模型可以较好解决决策过程中由于个人认知不同而产生的冲突问题。     

递归划分的标签约束可达性计算方法

现实世界中的图往往在结点和边上包含描述信息,可达性查询是图数据管理和挖掘中的基本操作之一。针对图数据中标签约束的可达性计算问题,提出一种基于递归划分的可达性计算方法 RP-Hop。该算法基于层次划分思想,利用独立集性质,在保持标签和可达性前提下对大规模图进行递归划分,并结合贪婪扩展思想和递归编码,为标签约束的可达性查询提供压缩索引。经过合成和真实数据集上的实验,结果表明,RP-Hop算法不仅降低了索引大小和构建时间,而且提高了查询效率。     

Sequential learning versus no learning in Bayesian regression models

We consider two regression models: linear and logistic. The dependent variable is observed periodically and in each period a Bayesian formulation is used to generate updated forecasts of the dependent variable as new data is observed. One would expect that including new data in the Bayesian updates results in improved forecasts over not including the new data. Our findings indicate that this is not always true. We show there exists a subset of the independent variable space that we call the “region of no learning.” If the independent variable values for a given period in the future are in this region, then the forecast does not change with any new data. Moreover, if the independent variable values are in a neighborhood of the region of no learning, then there may be little benefit to wait for the new data and update the forecast. We propose a statistical approach to characterize this neighborhood which we call the “region of little learning.” Our results provide insights into the trade‐offs that exist in situations when the decision maker has an incentive to make an early decision based on an early forecast versus waiting to make a later decision based on an updated forecast. © 2014 Wiley Periodicals, Inc. Naval Research Logistics 61: 532–548, 2014