基于A*算法的无人机地面目标跟踪

提出一种在威胁环境下应用A*算法进行目标跟踪的方法。为了简化模型和便于分析,主要考虑地形和雷达威胁。在考虑了雷达盲区的安全区域内,利用目标的实时信息和改进后的A*算法对无人机航迹进行规划,以达到跟踪地面移动目标的目的。仿真结果表明,所提出的方法可以很好地实现目标跟踪。     

基于多特征模糊融合的疲劳状态判决

在基于视觉的疲劳驾驶识别过程中,使用单个特征进行疲劳驾驶判断,常常会受到非普遍适用性、噪声等因素的影响,从而导致识别率降低。为了解决眼部特征参数或者是嘴巴特征参数单个特征识别率低甚至特使环境无法识别的问题,提出一种基于多特征融合的判决方法,利用了各种特征之间的优势互补,可以降低噪声和类内类间差异的影响,从而提高系统的性能,并且能增强适用性。最后通过实验结果证明,使用眼部和嘴巴特征融合的方法比单一的判决方法准确率更高。     

基于DoDAF的侦察卫星支援对海打击作战视图研究

侦察卫星是天基信息支援力量的重要组成部分,是实施海上远程精确打击的主要信息来源。优化侦察卫星支援对海打击作战体系,可以有效提高体系作战能力。基于OODA环描述了侦察卫星支援对海打击作战过程,参考DoDAF进行了侦察卫星支援对海打击作战视图研究,并构建了作战体系结构模型,对于优化侦察卫星支援对海打击体系顶层设计具有重要作用。     

基于SPRT的组合导航故障检测与隔离互辅算法

针对SPRT(序贯概率比检验)算法无法准确判断缓变故障结束时间的问题,提出了一种故障检测与隔离互辅算法。采用SPRT算法对滤波残差进行故障检测,确认故障后隔离故障观测量,重新建立卡尔曼滤波观测方程并完成量测更新,将隔离后的滤波结果作为下一时刻的滤波初值辅助故障检测。仿真结果表明,该方法能准确定位故障观测量并判断出故障的结束时间,提高了系统可靠性。     

改进预测协方差门限法的采样周期自适应选择算法

传感器采样周期是影响目标跟踪的一个重要参数。现有自适应采样周期策略中,一些算法运算量比较大,计算效率低,不具有一般性。为此提出了一种改进的预测协方差门限法。该算法改进传统采样周期的全遍历寻优策略。最后与几种自适应采样周期算法与固定采样周期算法通过交互式多模型(IMM)滤波算法进行仿真比较。仿真结果表明该算法在目标跟踪过程中能满足跟踪需求,具有较少的计算量,较高的运行效率,比固定采样周期算法更能节约资源。     

基于Bow-tie模型的发动机空中停车事故分析与预防

发动机空中停车是航空事故主要致因之一。首先,通过数据梳理和分析,构建发动机空中停车故障树,结合重要度分析理论,求解各基本事件的重要度,得到造成发动机空中停车事件的最薄弱环节——供油系统故障。基于Bow-tie理论,构建发动机供油系统Bow-tie模型,直观地显示了该故障产生的根本原因和可能导致的后果,进而提出了预防该故障发生的对策建议,达到降低发动机空中停车事故概率的目的。     

通信时延对无人作战飞机NWL轰炸精度影响研究

无人作战飞机具有飞行器与指挥平台"空地分离"的技术特征,源自飞行员的战术决策指令须通过战术数据链传输给飞机,该特性在空地轰炸模式下将对系统作战效能产生一定的影响。建立了面向无人作战飞机的空地一体化机翼非水平(NWL,Non-Wing-Level)轰炸仿真模型,通过Monte-Carlo仿真表明脱靶量与数据链时延之间存在线性关系,采用Kalman滤波可以克服时延对脱靶量的影响,并提高命中精度。     

基于模糊多属性决策的装备维修行为选择

针对装备保障行动中维修行为决策在实践中存在的问题,借助于多属性决策方法和模糊理论,提出基于模糊多属性决策的装备维修行为决策,在分析装备维修行为的影响因素和约束条件的基础上,建立了装备维修行为决策的模型方法,并进行了实例分析。研究表明,该方法能有效降低维修保障费用、缩短维修保障时间和提高维修保障效率。     

基于ModelCenter的顶置武器站稳定精度优化

顶置武器站具有系统组成类型复杂、子系统间存在耦合作用的特点,导致多学科协同仿真的优化模型难以建立。通过Adams、Simulink分别建立了顶置武器站机械系统及控制系统模型,并在多学科优化设计平台Model Center中对该机电联合仿真模型进行系统集成;在此基础上,以顶置武器站稳定精度为目标函数,采用一阶差分模型对炮控系统比例系数及积分系数进行了灵敏度分析,并采用设计探索优化器对该参数进行了优化设计。仿真结果表明,所建立的顶置武器站稳定精度多学科协同优化模型设计周期短、计算效率高,为下一步进行顶置武器站多工况、多结构参数的优化设计提供技术支撑。     

基于句子级BLEU指标挑选数据的半监督神经机器翻译

在单语语料的使用上,统计机器翻译可通过利用语言模型提高性能,而神经机器翻译很难通过这种方法有效利用单语语料.针对此问题,文中提出基于句子级双语评估替补(BLEU)指标挑选数据的半监督神经网络翻译模型.分别利用统计机器翻译和神经机器翻译模型对无标注数据生成候选翻译,然后通过句子级BLEU指标挑选单语候选翻译,加入到有标注的数据集中进行半监督联合训练.实验表明,文中方法能高效利用无标注的单语语料,在NIST汉英翻译任务上,相比仅使用精标的有标注数据单系统,文中方法BLEU值有所提升.