对接组合体初始姿态影响的建模研究

建立了对接过程对组合体初始姿态影响的解析与数值模型。解析模型采用相对于整体质心的动量矩定理,给出了对接完成后组合体姿态角速度计算的解析表达式。结合追踪器的绝对运动方程和目标器的相对运动方程,建立了基于对接动力学的数值模型。通过单一偏差和组合偏差两种算例,对解析和数值模型得到的组合体初始姿态角速度进行了对比分析。计算结果表明,两种模型绝对偏差在0.07°/s以内,相对偏差在10%以内,另外给出了两种模型在工程任务中各自的适用阶段。     

二维隐马氏模型的一种简化算法及其参数估计

针对现有的二维隐马氏模型算法给出了一种简化算法及参数估计方法。该算法与现有的算法相比非常简单。基于此方法给出了相应的识别方法和参数估计,并且该估计与极大似然估计是等同的。     

基于改进整型遗传算法的稀疏矩形平面阵列优化

为了降低固定稀疏率、固定孔径的稀疏矩形阵列的峰值旁瓣电平,提出一种改进整型遗传算法。该算法在整型遗传算法的基础上,提出了等间隔采样的交叉策略、多点变异策略以及优良基因重组的策略。采取等间隔采样的基因交叉方式,可以有效发挥整型编码的优势,从而提高算法的运行效率;为了提高种群的多样性,防止算法陷入局部最优,采用了多点变异策略;采用优良基因重组技术,加快了算法的收敛速度。仿真结果表明,相比传统的二进制和实数编码,整型编码更为直接高效;与用于稀疏矩形阵列优化的相关算法相比,本文所提算法获得了更优的旁瓣电平,证实了算法的有效性和优越性。     

共轭梯度反传算法及其在液体火箭发动机系统辨识中的应用

结合非线性优化理论和方法提出了易于实现、收敛速度比较快的多层神经网络共轭梯度反传算法。液体火箭发动机参数辨识技术已得到广泛的应用,由于传统的数学方法必须基于发动机已知模型,使得其参数辨识受到极大的限制。文中基于神经网络共轭梯度反传算法进行液体火箭发动机的系统辨识,结合变推力发动机热试车动态数据,得到了满意的仿真结果。     

基于改进匈牙利算法的多技能人员调度方法

人员的优化配置对于提高装备制造效率具有重要意义。针对经典匈牙利算法不能解决具有并联环节的人员指派问题的不足,提出利用虚拟工作代替并联环节,将问题转化为典型的指派问题;通过判断虚拟工作的可实现性,迭代搜索得到最优解。以某多技能人员任务指派系统为例,详细介绍了该优化方法的步骤。优化结果很好地验证了改进算法的有效性。     

基于动力学模型的柔性加工设备机电系统状态监测与故障预警

在建立的加工设备机电系统精确动力学模型及对模型参数实时辨识的基础上［１］，建立柔性加工设备机电系统的状态监测模型，包括ＢＡＹＥＳ故障检测、突发故障检测及故障分析与定位等；同时利用Ｋｕｌ－ｂａｃｋ信息距离和多层递阶ＡＲ模型实现系统的状态与故障预警。在加工设备上的实验表明模型可行有效，它能排除柔性多变工况、时变性及随机干扰对监测与预警功能的影响，提高其鲁棒性和自适应能力。     

代理型防火墙Cache策略的研究与实现

在代理型防火墙中设置Cache,可以有效地减少响应延迟和降低网络带宽。对Cache实现中的信息过滤规则、过期页面处理和替换算法几个关键技术进行了深入研究,并提出了一种基于防火墙日志系统开销极小的Cache管理策略。     

SAR图像目标分割与方位角估计

图像分割和目标方位角估计是进行SAR (SyntheticApertureRadar)图像自动目标识别的重要步骤。文章提出了一种基于MRF (MarkovRandomfield)模型的SAR图像分割算法 ,利用ICM (IterativeConditionalMode)局部优化方法 ,获得MAP (maximumaposteriori)准则下的图像分割结果 ,将图像分割为目标、阴影、背景三部分。然后确定目标离雷达最近的点 ,从而得到目标的主导边界 ,并估计出目标的方位角。用MSTAR (MovingandStationaryTargetAcquisitionandRecognition)数据进行实验 ,估计方位角的准确性与现有算法的结果相比 ,具有明显提高     

基于改进遗传算法的舰载机保障调度方法

舰载机保障作业过程受到多资源约束,同时可能存在着突发事件的干扰;针对此特点,分析并制定干扰情况下的模型修正策略。在遗传算法中引入禁忌搜索算子改进传统遗传算法的变异操作,并通过具体实例进行仿真验证,其结果证明改进后的遗传算法在优化含干扰事件的多机保障问题时效率更高,并通过甘特图直观地反映重调度方案。为真实情况下有效处理舰载机保障过程中的干扰事件奠定理论基础。     

采用RLS算法的功率倒置阵列的性能

为解决功率倒置阵列采用LMS算法时收敛速度和稳态失调误差不能兼顾的缺点,提出了采用RLS算法实现功率倒置阵列的方法。仿真结果表明,功率倒置阵列采用RLS算法和LMS算法都能达到较好的抗干扰效果。和LMS算法相比,RLS算法同时具有收敛速度快和稳态失调误差小的优点,代价是计算量增大。