组合赋权法在指控系统性能评估中的应用

对作战单元以上级防空导弹指控系统的性能评估是一个多目标评价过程,多目标评价中的关键点是目标权重的确定.运用基于最小三乘原理的组合赋权法,根据给定的评估指标体系,对指控系统性能进行综合评价,给出了系统性能的评估算法,并在仿真系统中得到验证.     

基于遗传算法与支持向量机的火炮内膛疵病分类方法研究

支持向量机能够较好解决小样本、非线性数据特征的多分类问题,适用于火炮内膛疵病的分类,但其性能依赖于其参数的选取;对基本遗传算法进行改进,使用自适应的交叉算子和变异算子,并应用于支持向量机参数优化;通过对火炮内膛疵病分类精度的对比研究,改进的遗传算法确定支持向量机优化参数的方法取得了良好的效果,验证了该方法对疵病分类的有效性。     

一种针对OpenSSL中RSA的计时攻击改进算法

针对原有BB-Attack（Boneh and Brumley’s Attack）计时攻击算法在样本量小的情况下存在0~1间隔不明显、攻击精确度低等问题,依据Montgomery乘法中额外约简数目与输入消息的关系,结合统计分析中的t检验,给出了一种改进的计时攻击算法。计时攻击实验结果表明：改进算法能够产生更加明显的0~1间隔,并且减少了攻击样本量,提高了攻击效率。     

横向运动板对长杆弹侵彻的偏转作用

弹体的攻角直接影响其侵彻能力,而横向运动板能使弹体发生偏转改变攻角,间接影响弹体的侵彻能力。在一定条件下,推导长杆弹在单层横向运动板作用下的偏转模型,并利用有限元仿真软件ANSYS／LS-rDYNA对长杆弹侵彻横向运动板的过程进行数值模拟。通过对偏转模型及仿真结果的分析,发现两者较为相符。研究结果显示：长杆弹侵彻横向运动板时,弹体会发生偏转,偏转的角速度先增后减,最后为0rad／s,此时偏转角最大;弹体速度方向也会发生偏转,其最终偏转角与弹体轴线的偏转角接近。     

基于虚拟触角的自主车辆运动规划方法

在对自主车辆进行运动学分析的基础上,结合反应式行为规划方法和昆虫利用触角进行避障行走的思想,提出了一种使用圆弧形虚拟触角进行运动规划算法,并规划出在各圆弧轨迹片段车辆前轮摆角的参考值。仿真和实验结果表明：通过设置适当的初始参数,该算法能够使自主车辆在行驶过程中完全避开障碍物到达目标点,且轨迹光滑,满足车辆的运动学约束条件。该算法计算简洁、实时性强,适用于底层的实时控制,为自主车辆运动规划提供了一种简便、有效的策略。     

集集地震多维地震动频域非平稳特性分析

基于HHT方法和集集地震实际地震记录,利用可表征地震动频域非平稳特性的瞬时频率时程和瞬时幅值时程,对集集地震多维地震动的频域非平稳分布特性、场地条件及震中距对非平稳特性的影响进行了分析.分析结果表明,瞬时频率方法在地震动频域非平稳特性的定量描述上较穿零率方法更为精确,可较好地反映多维地震动的频域非平稳特性.     

基于改进TOPSIS法和蚁群算法的反TBM目标群目标分配研究

基于改进的TOPSIS法和蚁群算法,以弹道导弹目标群为研究对象,研究了反导指控系统对目标群的目标分配问题。首先通过改进的TOPSIS法确定TBM目标群威胁排序并基于拦截排序准则确定拦截排序;其次使作战效能最大化,基于蚁群算法确定目标的最优分配方案;最后通过仿真实例验证了在考虑目标威胁值排序前提下采用此算法,可使目标群分配方案更加科学有效和符合反导作战实际。     

基于改进TOPSIS法和蚁群算法的反TBM 目标群目标分配研究*

基于改进的TOPSIS法和蚁群算法,以弹道导弹目标群为研究对象,研究了反导指控系统对目标群的目标分配问题。首先通过改进的TOPSIS法确定TBM目标群威胁排序并基于拦截排序准则确定拦截排序;其次使作战效能最大化,基于蚁群算法确定目标的最优分配方案;最后通过仿真实例验证了在考虑目标威胁值排序前提下采用此算法,可使目标群分配方案更加科学有效和符合反导作战实际。     

航空磁探仪目标运动分析仿真研究

针对航空磁探仪目标运动分析问题,分析了目标运动要素确定方法。首先,采用蒙特卡洛仿真和统计分析法研究了目标运动要素估计误差的分布规律;然后,结合最小二乘定位法,给出了目标运动参数及其误差的简化算法;最后,分析了影响目标运动要素解算精度的主要因素。研究结果可为磁探仪的使用、攻潜武器的选择和攻潜效果的预测提供参考。     

Multi-scale traffic vehicle detection based on faster R-CNN with NAS optimization and feature enrichment

It well known that vehicle detection is an important component of the field of object detection. However, the environment of vehicle detection is particularly sophisticated in practical processes. It is compara-tively difficult to detect vehicles of various scales in traffic scene images, because the vehicles partially obscured by green belts, roadblocks or other vehicles, as well as influence of some low illumination weather. In this paper, we present a model based on Faster R-CNN with NAS optimization and feature enrichment to realize the effective detection of multi-scale vehicle targets in traffic scenes. First, we proposed a Retinex-based image adaptive correction algorithm (RIAC) to enhance the traffic images in the dataset to reduce the influence of shadow and illumination, and improve the image quality. Second, in order to improve the feature expression of the backbone network, we conducted Neural Architecture Search (NAS) on the backbone network used for feature extraction of Faster R-CNN to generate the optimal cross-layer connection to extract multi-layer features more effectively. Third, we used the object Feature Enrichment that combines the multi-layer feature information and the context information of the last layer after cross-layer connection to enrich the information of vehicle targets, and improve the robustness of the model for challenging targets such as small scale and severe occlusion. In the imple-mentation of the model, K-means clustering algorithm was used to select the suitable anchor size for our dataset to improve the convergence speed of the model. Our model has been trained and tested on the UN-DETRAC dataset, and the obtained results indicate that our method has art-of-state detection performance.