云模型改进惯性权重的混沌交替粒子群算法

标准粒子群算法通过线性减小惯性权重系数来调整寻优性能,但缺乏智能化机制易导致算法后期产生早熟或陷入局部最优而产生僵局。针对这一问题,提出一种基于云模型改进惯性权重的混沌交替粒子群优化算法。根据粒子迭代变化关系,采用云模型理论对惯性权重ω进行智能化调整,以平衡其全局和局部搜索能力,防止算法产生局部僵局;另外,判定粒子稳定性,对于可能陷入局部僵局的稳定粒子进行混沌扰动,促使其跳出僵局进而向最优位置更新。实验与分析表明,基于云模型改进惯性权重的混沌交替粒子群优化算法能够跳出局部僵局且具有较高的寻优精度,算法接近完全收敛时的平均迭代次数,较现有相关研究分别降低了13.73%~20.11%。     

基于虚拟人机环境的某指控舱CATIA人机分析

针对因人机工程模块中缺乏中国大陆成年人数字模型而导致CATIA软件在座舱性化设计适用性差的现象,以GJB4856-2003和指控舱结构设计参数需求为依据,建立了中国大陆成年男子P5、P95人体数字模型和指控舱三维模型,通过人体模型对指控舱的虚拟操作,分别评价了驾驶舱的视野域、操作域和舒适度等方面布局工效,得到了各工效布局评价的结果,并提出了改进建议。     

无人攻击机生存力评估方法

首先介绍了无人攻击机的国内外发展现状和趋势,然后阐述了无人攻击机的特点,分析了与生存力密切相关的各分项能力之间的关系,提出了一种建立无人攻击机生存力评估的综合指数模型;同时确定了模型中各分项能力的评估模型。最后以6种无人攻击机的生存力评估为例计算并检验了模型的可用性。     

一类带时滞的非线性兰彻斯特战斗模型的分析

基于非线性兰彻斯特方程的一般形式和现代战争的特点,考虑到时间因素在现代战争中的巨大作用,建立并讨论了一类带时滞的非线性兰彻斯特战斗模型。通过定性分析,得到了模型的平衡点及其稳定性,证明了原模型解的存在唯一性,并给出了解的存在区域。战例分析结果表明该模型能用来描述现代战争。因此,该模型对研究现代战争的战斗进程、武器发展规划、现代军事练兵等都具有一定的参考价值。     

基于参数自适应CS模型的机动目标跟踪算法

为提高对机动目标的跟踪精度,提出一种基于参数自适应当前统计(CS)模型的跟踪算法。即利用加速度增量与位移的关系,自适应调整加速度方差,根据量测残差的统计距离判别目标机动特性,并调整模型的机动频率和滤波器增益系数,提高算法模型与目标机动模式的匹配程度。仿真结果表明,基于参数自适应CS模型跟踪算法能够较好地改善对强机动目标的跟踪性能。     

基于相参 RCS 距离分布的抗箔条干扰方法

为了提高反舰导弹对抗舰载无源干扰的能力,在分析箔条和舰船相参 RCS（雷达散射截面）距离分布的属性特征及其差异的基础上,研究了利用这种差异对干扰和目标在可分辨情况下进行识别的方法;针对干扰和目标不可分辨情况,提出了通过 RCS 距离分布特性和耦合时移特性的差异来压制干扰、提高信干比的方法。     

基于改进LS-SVM的异步电机转子故障诊断

为了提高异步电动机转子故障的诊断精度,给出了一种基于改进最小二乘支持向量机(LS-SVM)的多故障分类算法。首先运用FFT处理电机的定子电流信号得到信号频谱图,从中提取故障特征向量;然后将特征向量送入改进算法进行故障诊断时,在原有多分类算法的基础上引入层次分析法确定故障类别的权重,根据权重值确定故障的诊断顺序,依次进行故障分类。实验表明,改进算法用于故障诊断节省了诊断时间,提高了诊断精度,具有很好的推广前景。     

电磁发射用分段供电六相圆筒式直线感应电动机数学模型

为研究新型分段供电六相圆筒式直线感应电动机的运行规律,针对其不对称运行的特点,采用磁动势理论推导了气隙中与空间位置无关的脉振磁场的电感矩阵表达式,通过将其引入abc坐标系下对称的电机数学模型,从而构建了描述六相圆筒式直线感应电机不对称的数学模型。在Simulink环境下,采用隐式梯形法构建了该不对称模型的系统仿真模型。最后,对样机进行了仿真分析和实验验证,仿真结果与实验数据吻合良好,验证了模型的正确性。     

磁探针位置及角度偏移对电磁发射过程测试的影响

简化电磁发射装置中的导轨和电枢为线电流下的直导体,建立发射装置的物理模型。利用毕奥-萨伐尔定律和感应电动势原理,推导出磁探针线圈中心放置点的磁感强度。假设线圈范围内的磁场为均匀磁场,计算得到磁探针线圈产生的电动势。以此设计测量所用的磁探针,并和测试数据对比验证模型的正确性。在多次试验中发现,发射过程中装置振动导致磁探针距离变化和角度偏转问题。测量并分析三组单次发射中的故障测试状态。仿真和实验数据表明:小范围距离变化没有使磁探针的测试性能失效,但角度偏移对下一步的速度拟合带来误差干扰,且随着角度增大拟合速度逐步减小。     

基于AdaBoost-SVM的P2P流量识别方法

针对传统的P2P流量识别技术存在识别率低和误判率高的缺点,将机器学习中Ada Boost算法的良好分类能力和SVM的泛化能力结合起来,提出一种基于Ada Boost-SVM组合算法的P2P网络流量识别模型,将SVM作为Ada Boost的基分类器,运用最小近邻法计算支持向量与训练集的样本间的距离实现分类进行P2P流量识别。最后,以4种P2P流量数据为研究对象在MATLAB上进行仿真,仿真结果表明,提出的Ada Boost-SVM的组合算法在P2P网络流量的分类性能和分类准确率上都优于单纯的Ada Boost和SVM,组合算法的P2P流量平均识别率高达98.7%,远高于Ada Boost和SVM的识别率。