基于时空序贯融合的TBM拦截效果评估

基于时空信息进行了TBM拦截效果评估的研究。首先分析了拦截效果评估信息的特征,建立了TBM拦截效果评估流程;在此基础上提出了基于"空间特征级-时间决策级"思想的序贯融合评估模型;融合评估算法中,空间域选取模糊神经网络进行特征级融合,时间域选取D-S证据理论完成决策级融合,空间特征级融合模糊神经网络的各层映射函数分别由模糊隶属函数和采用贝叶斯网络的方法来获取;最后通过实验仿真了评估流程,验证了融合评估模型及融合算法的有效性。     

基于MPEG标准的多媒体网络传输效果分析与仿真

使用my Evalvid-NT仿真软件,选取封包延迟、画面延迟、封包抖动率和画面抖动率4个指标对多媒体网络的视频传输效果进行仿真。经过仿真计算后得到的可解画面比例与理论值非常接近。     

基于边界扫描技术的装备电路可测性设计

随着装备中基于复杂数字电路的嵌入式系统应用越来越广泛,装备中电路系统的可测性设计(DFT)已成为装备可测试性设计的重要内容。IEEE 1149.1作为一种标准化的电路可测性设计方法,弥补了传统电路测试方法存在的缺陷,为复杂的互连电路提供了一种非入侵的测试手段。首先简述了可测试性设计和边界扫描测试技术的基本原理,并从边界扫描测试链设计、提高测试覆盖率和优化电路网络几个方面,分别提出了几种装备电子系统的电路可测试性设计的具体方法。     

自适应平方根无迹滤波的雷达组网状态估计算法

从最小方差的角度分析了雷达组网无迹滤波(Unscented Filter,UF)状态估计的统计学本质,并且针对UF的Cholesky分解遇到非半正定矩阵容易发散、不准确滤波初值造成滤波发散以及异常扰动影响滤波效果等问题,提出将自适应平方根无迹滤波(Adaptive Square Root Unscented Filter,ASQUF)用于雷达组网状态估计,结合合理的滤波初始化策略,提高了UF的工程可用性。仿真验证表明,提出的ASRUF算法用于雷达组网空域目标状态估计时,初始化平稳无波动,工程可用性好,状态估计精度高,明显优于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法。     

机载PD雷达宽带线性调频信号运动补偿

采用宽带线性调频信号能够显著地提高雷达的距离分辨率和抗干扰能力,然而雷达与目标间的相对运动损耗了部分目标回波相参积累能量,影响目标频率向和距离向分辨力。针对以上问题,提出了一种基于改进匹配滤波函数的运动补偿方法,补偿信号回波中的相位误差,实现宽带线性调频信号目标运动运动补偿。实验与仿真结果证明了该算法的有效性。     

改进的混合蛙跳算法在雷达网部署中的应用

针对雷达组网优化部署的原则,建立了区域雷达组网优化部署的数学模型,提出了一种基于改进的蛙跳算法的雷达组网优化部署方法。在阐述了改进方法的基础上,与先前方法进行了对比分析。最后,通过计算机仿真试验进行了验证,结果表明:改进的混合蛙跳算法能够快速得到多种优化部署方案,且操作性强,能较好地应用于雷达组网优化。     

基于复杂网络理论的舰船电力网络脆弱性分析

从舰船电力网络拓扑结构及设备布置特性的角度出发,对舰船电力系统的脆弱性进行量化评估能为电力系统的优化设计提供理论指导。基于复杂网络理论,从舰船电力系统本身的拓扑结构对其脆弱性进行了研究。首先,用邻接矩阵将某一环形电力网络表示出来,并计算其特征参数,从度数指标和介数指标可以看出主配电板节点是电网中的重要节点;然后,对该环形舰船电力网络进行了故障模拟,结果表明:电网元件故障对整个电力网络造成的影响由最大连通子图规模来衡量,该指标值越小表明此元件故障对网络的影响越大,同时这一指标比介数指标更好地揭示了舰船电力网络的脆弱环节。     

基于最优制导模板的神经网络预测制导方法

针对传统预测制导方法中高精度制导与快速实时解算之间的矛盾,提出了一种基于最优制导模板的神经网络预测制导方法。该方法采用基于高置信度飞行器运动模型仿真计算预测弹道落点,利用优化理论进行迭代解算制导变量,以此为基础离线生成样本数据;通过选择合适的多结构模态神经网络,进行基于调度管理的神经网络训练,完成神经网络控制器的设计。针对CAV进行了算例设计,结果表明:该制导方法在线计算量少,制导解算速度快,制导精度高,综合性能远优于传统的预测制导方法。     

基于改进粒子群算法的复杂地况下雷达布站优化

针对现有雷达布站数学模型不能解决复杂地况下的雷达布站问题,提出了一种复杂地况下的雷达布站数学模型,该模型解决了雷达在复杂地况下布站位置受限的问题。在此基础上,提出了基于改进粒子群算法的复杂地况下的雷达布站优化算法,该算法改善了现有粒子群算法中期搜索性能不强的缺陷。仿真结果验证了提出的改进雷达布站数学模型的可行性和基于改进粒子群算法的复杂地况下雷达布站优化方法的有效性。     

比例最小偏度单形UKF的RBF神经网络算法

为提高RBF神经网络的建模性能,提出一种基于改进无迹Kalman滤波(UKF)的RBF神经网络训练算法。在该算法中,首先将比例最小偏度单形Sigma点采样策略引入UT,以有效改进UKF,提升其计算效率,然后利用改进的UKF优化估计RBF神经网络的最优参数。仿真结果表明,改进的UKF比EKF具有更高的RBF神经网络模型训练精度,与传统UKF的模型精度大体相当,但速度更快,计算效率更高。