GPS接收信号中线性扫频干扰的抑制

研究了阵列接收的GPS接收信号中线性扫频(LFM)干扰的抑制问题。LFM信号瞬时频率的估计是抑制干扰的关键,而要准确估计信号瞬时频率,必须抑制接收信号时频分布中交叉项干扰。本文对接收信号矢量进行白化,得到信号矢量白化后的空时频分布(STFD)矩阵。文中推出一个与传统方法获得的判决变量不同的判决变量,用该判决变量可以更加清晰地选出LFM信号在时频分布中的自项。根据时频脊点的分布估计LFM信号频率参数以及信号瞬时频率,之后即可根据瞬时频率构建陷波器滤除干扰。仿真表明该方法能够将受交叉项严重干扰的接收信号时频分布映射为清晰的接收信号自项的时频分布,在数据快拍数满足一定要求时可以很好地抑制掉LFM干扰。     

战时装备维修保障资源优化模型

维修资源在抢修过程中的分配决定了抢修活动的平均处理时间和等待时间,针对抢修实施时维修资源的分配,研究资源的优化配置使抢修时间最小的问题.在抢修过程中使抢修时间最小的目标和约束条件下,提出了资源配置优化的排队模型,并结合遗传算法给出了求解最优配置模型的方法,通过实例分析说明了模型和方法的应用情况.资源配置优化模型和算法已成功应用于集群装备保障决策系统的开发.     

CS模型下IMM-PF算法在机动目标跟踪中的应用

为了解决机动目标定位跟踪问题,提出了一种基于CS(current statistical)模型的交互式多模型粒子滤波算法.在交互式多模型粒子滤波算法的基础上,计算CS模型的概率,自适应地调整CS模型中的目标加速度,反映出了目标的机动特性,充分发挥2种算法的优点,改善了CS模型的加速度不能自适应调整的缺点,提高了CS模型的自适应性和应用范围.另外,CS模型的自适应滤波方法由Kalman滤波改为粒子滤波.通过Monte Carlo对比仿真试验表明了该算法的可行性和优越性.     

色噪声环境下MIMO雷达相干目标角度估计算法

针对色噪声环境下的MIMO雷达相干目标角度估计问题,提出一种基于目标信息矢量重构的角度估计算法.算法对MIMO雷达的接收数据进行了低复杂度改进,通过计算四阶累积量,得到一组矢量并证明该矢量包含所有目标的角度信息,通过重构Toeplitz矩阵,结合MUSIC算法实现了色噪声环境下MIMO雷达相干目标的角度估计.算法保留了MIMO雷达的阵元扩展能力和目标分辨力,具有自动抑制加性高斯白噪声和色噪声的能力,实现了相干目标的有效估计,更利于在实际中应用.最后计算机仿真结果证实了算法的有效性和可行性.     

地球静止轨道卫星系统兼容性多维度分析方法

针对地球静止轨道(Geostationary Satellite Orbit, GSO)卫星系统间的兼容性分析,设计了单波束和多波束GSO卫星系统间的上行及下行干扰场景,并在卫星的轨位、系统链路可用度及干扰系统地球站选址等多维度对GSO卫星系统间的干扰进行了评估,提出了不同轨位间隔条件下满足国际电信联盟干扰协调限值的干扰系统地球站最近选址的建议,细化了各维度研究上的颗粒度,在不同维度间进行横向对比,分析了GSO卫星系统在不同维度下的干扰变化特性曲线和各维度对干扰分析结果的影响程度。在系统链路可用度一定的条件下,两个卫星系统的轨位间隔>2°时,干扰数值变化缓慢;轨位间隔≤2°时,干扰数值变化较快;轨位间隔≤0.1°时,干扰数值急剧上升。以国际电信联盟实际登记的CHNSAT-81.5和INSAT-KA82.5E卫星的网络资料为例,将计算得到的GSO系统波束间的干扰噪声比、载波干扰比与Visualyse软件结果进行验证对比,结果误差保持在0.7 dB范围内,证明该方法具有有效的评估性能。     

面向无人环境的机器人生态圈自主任务决策方法

借鉴自然界生态系统的典型特征,提出机器人生态圈概念。通过使集群机器人进行智能协同与复杂演化,涌现自我维持、自我复制与自我进化等生命特征,实现无人条件下的长期生存、繁衍与进化,并执行特定的任务。针对机器人生态圈典型任务场景的自主任务决策需求,分析不同机器学习任务决策方法的特点,建立机器人生态圈自主任务决策的决策树模型和神经网络模型。分析表明,两种模型的正确率均在80%~90%,且均具有良好的稳定性。这说明,机器人生态圈自主任务决策问题可以通过决策树、神经网络等机器学习方法来很好地加以解决,从而为面向无人化场景的任务应用提供技术支持。     

LCDP SO算法在协同空战攻击决策中的运用?

为了探索提高协同空战攻击决策算法性能的途径,将多子群粒子群优化理论用于求解协同空战攻击决策,利用生命周期粒子群模型（ LCPSO）,提出了一种生命周期离散粒子群（ LCDPSO）协同空战攻击决策算法。基于典型空战想定背景,仿真验证了算法的有效性。通过统计实验的方法,分析比较了LCDPSO协同空战攻击决策算法与多种智能决策算法的准确性、可靠性和快速性,研究结果证明LCDPSO协同空战攻击决策算法优良的综合性能。     

多武器系统的火力分配模型

目前对于单一兵器火力分配问题的解决方法比较成熟,然而由于在现代防空作战中,经常是多种类型的兵器联合进行防空,故需要对多种不同类型的兵器的火力分配问题进行探讨。这里针对多种不同类型的兵器毁伤多个目标的问题,建立了数学模型,进行了深入的探讨。按照模型的特殊性,定义了映射、邻域和连通的概念;同时针对模型,将遗传模拟退火算法进行了一定的修改,并利用此算法对模型进行了最优化求解。最后,实例的计算结果表明该算法对于模型的求解具有较好的收敛性。     

运用模糊数学结合层次分析法对后勤管理决策进行定量分析

后勤管理决策的科学性、可靠性直接关系到后勤管理效果的好坏。由于后勤管理决策受决策人员个人经验和主观倾向影响较大,因此,为使后勤管理决策更加科学、可靠,根据决策评定的满意准则,运用模糊原理确定决策人员对后勤管理满意程度的隶属度,结合层次分析法确定各因素之间的相对权值,对后勤管理决策方案的满意程度进行定量计算,得出决策方案整体评价指标,辅助后勤管理人员进行后勤管理决策,从而使后勤管理决策更加科学、客观、可靠,提高后勤管理效益。     

Maximizing deviation method for multiple attribute decision making under q-rung orthopair fuzzy environment

Because of the uncertainty and subjectivity of decision makers in the complex decision-making environment, the evaluation information of alternatives given by decision makers is often fuzzy and uncertain. As a generalization of intuitionistic fuzzy set (IFSs) and Pythagoras fuzzy set (PFSs), q-rung orthopair fuzzy set (q-ROFS) is more suitable for expressing fuzzy and uncertain information. But, in actual multiple attribute decision making (MADM) problems, the weights of DMs and attributes are always completely unknown or partly known, to date, the maximizing deviation method is a good tool to deal with such issues. Thus, combine the q-ROFS and conventional maximizing deviation method, we will study the maximizing deviation method under q-ROFSs and q-RIVOFSs in this paper. Firstly, we briefly introduce the basic concept of q-rung orthopair fuzzy sets (q-ROFSs) and q-rung interval-valued orthopair fuzzy sets (q-RIVOFSs). Then, combine the maximizing deviation method with q-rung orthopair fuzzy information, we establish two new decision making models. On this basis, the proposed models are applied to MADM problems with q-rung orthopair fuzzy information. Compared with existing methods, the effectiveness and superiority of the new model are analyzed. This method can effectively solve the MADM problem whose decision information is represented by q-rung orthopair fuzzy numbers (q-ROFNs) and whose attributes are incomplete.