基于灰色模型的柴油机技术状态变化趋势预测

以某型坦克用柴油机为平台进行了大量实车实验,确定了能够表征柴油机技术状态变化的6个特征量,利用主成分分析法确定了柴油机寿命预测特征量;建立了灰色预测模型,并基于所测数据进行了技术状态变化趋势预测。研究结果表明：预测值接近于实际值,能够为柴油机的使用和合理维修提供依据。     

函数变换提高灰色预测模型精度的条件

指出选择函数变换来提高模型精度主要与三个方面的因素有关：提高数据序列的光滑比、调整数据序列的级比和确保凸凹性。在调整级比方面,扩充了级比压缩变换的相关定理,并讨论了几种常用的函数变换在上述三个方面的关系。最后结合实例提出,对于变换后的数据序列若不满足这三方面的要求可以再进行函数变换以达到提高模型精度的目的。     

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.     

舰艇作战指挥决策模型可信度评估流程分析

舰艇作战指挥决策模型的可信度是一项复杂的系统工程,而评估流程又是这项工程的基础性工作,直接影响到可信度评估的成败。运用了评估学的基本理论对舰艇作战指挥决策模型可信度评估流程进行分析,将可信度评估分为三个阶段,即评估准备阶段、评估实施阶段和评估总结阶段,研究和阐述了这三个阶段的具体工作、要求和标准等,最后,建立了专家评审流程图、可信度评估指标体系以及用于可信度评估指标的数据采集表,分析对比了数据处理方法的优缺点。     

多维作战空间陆战兵力作战仿真方法

为探讨在登陆作战中陆战兵力作战能力问题,加强对现代作战的定量分析,针对武器装备作战能力向多维作战空间扩展的实际,使用多维战斗力指数和生命力指数表示作战单位的多维作战能力。在分析的基础上,建立了多维作战空间中的陆战兵力作战仿真方法,该方法的核心是将多维作战能力指数和生命力指数运用到兰彻斯特方程中。结合登陆作战中的两个主要阶段,分析了海上突击时对双方战斗力的影响,并通过作战仿真方法对算例进行了求解。分析结果表明,该方程能够描述登陆作战中的主要战斗行动,可以作为作战运筹分析的参考依据,适用于登陆作战仿真系统。     

控制速度方向的弹道修正导引方法

由于制导炮弹由身管武器发射,其飞行控制能力和导引信息量有限,故基于预测落点位置偏差量来修正速度方向并在控制时间内连续分配导引指令的思想提出一种新的三维末制导方法。根据非线性弹道方程组的级数解预测弹丸落点位置,得到落点与目标的偏差,并提出两种通过此偏差解算当前速度方向修正量的方法。取剩余飞行时间为修正时间,通过将速度方向修正量分配到整个剩余导引段建立加速度修正公式,从而减小导引指令饱和的可能性。通过连续地预测落点和分配加速度指令来实时地导引飞行。仿真结果表明:该导引方法简单可行,精度高,对控制能力要求较低,且具备较好的制导效果和毁伤效果,可为该体制制导炮弹的应用提供参考依据。     

时延分布式控制系统的Truetime仿真分析

针对航空发动机分布式控制系统的时延问题,应用Matlab的Truetime工具箱,设计了控制系统仿真分析平台,分析了时延对系统稳定性的影响。首先针对一类应用状态反馈的控制系统,分析了存在传感器到控制器单侧时延的情况下,系统保持稳定的充分条件。在此基础上,以某型航空发动机为例,基于Truetime工具箱设计了分布式控制仿真系统,分析了不同的时延条件对系统稳定性的影响。仿真结果与理论分析结果一致,证明了系统的有效性。     

直接力/气动力复合控制系统的有限时间镇定

考虑到复合控制系统中,直接力的离散特性会使系统的设计复杂化。针对采用姿控式直/气复合控制的导弹,基于有限时间稳定理论,引入辅助滑模面,研究其控制系统的有限时间镇定,得到一个受控良好的复合控制系统。在此基础上,利用辅助模糊控制,对系统不确定性进行估计,进一步改善了复合系统的控制品质。最后以俯仰通道为例,对所提出的方法进行仿真,结果验证了该方法的有效性。     

基于配置管理的软件维护性评估

对软件质量进行定量化管理是软件工程领域的趋势,也是软件质量保证的重要手段。针对软件维护性定量评估难、数据获取难的问题,分析了软件维护性受配置管理关键要素的影响,提出利用配置管理数据对软件维护性间接评估的方法。结合软件工程开发实际,建立了配置管理数据收集过程,利用维护时间作为参数,统计5类功能点维护时间对软件维护性进行度量,实现了软件维护性的定量评估,并利用实际项目对方法的可行性和有效性进行了验证。     

增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。