多目标环境下基于分布式融合思想的误差估计方法

针对多雷达多目标跟踪过程中分布未知的系统误差估计问题,提出了基于"分布式融合思想"的误差估计方法。给出相应误差估计方法的计算公式,利用改进截断奇异值方法来减轻矩阵病态性的影响,提高误差估计的稳健性。设置了两种不同的系统误差仿真场景,对"分布式"误差估计方法在两种情形下的估计性能进行了仔细对比分析。结合"分布式"误差估计方法与"集中式估计"方法所体现出的优缺点,提出了一种将两种方法结合起来的系统误差估计算法,算法通过合理选择阈值门限η,能够在多雷达多目标且系统误差分布未知的复杂环境下对两种误差估计算法自适应地进行切换,从而充分发挥两种误差估计算法各自的优点,给出更好的误差估计结果。     

航天装备大数据资源平台构建技术研究

航天装备研制涉及论证、研制、生产、试验、综合保障等各个环节,所产生的数据具有种类多、数据量大、异构性强等特点,且数据资源分散于各科研机构院所,形成一个个数据孤岛,严重制约了型号数据的统一管理和协同应用。为了建立“逻辑统一、物理分散”的航天装备统一大数据中心,本文提出一种航天装备大数据资源平台构建技术,该平台基于统一的数据编目规范,综合利用云计算、微服务、区块链等技术,可实现多维异构数据深度融合管控,实现基于型号科研生产活动下的数据逻辑统一管理和实体分布式存储,能够解决航天装备整个研制活动全要素全过程的数据采集和可控共享的现实需求,为各业务场景下的数据分析奠定基础。     

基于摩擦磨损的数学模型的分布及讨论

主要讨论基于摩擦磨损的数学模型的分布性态和分布近似问题。引用无穷小概念,结合0-1律讨论了该模型的分布收敛于退化正态分布的条件。并在一定的矩条件下,利用特征函数,得到了该模型的分布近似于标准正态分布的误差。     

基于遗传算法的弹炮混编防空群火力分配

近期局部战争中的防空作战经验表明:实施弹炮混编可以大大提高防空武器系统的作战效能,而如何实施有效的火力分配又是其中的一个重要环节.针对陆军弹炮混编防空群射击指挥中的火力分配问题,简要分析了防空导弹和高炮武器系统射击的不同特点,提出了弹炮混编防空群的火力分配方法,并建立了优化火力分配方案的数学模型.在此基础上,采用遗传算法对此模型求解.结果表明,遗传算法为弹炮混编防空群的火力优化分配问题提供了一条有效途径.     

舰艇编队对空防御火力分配评价模型

未来高技术条件下水面舰艇编队防空作战能力是其生存能力的关键因素.对舰艇编队防空来讲,进行硬抗击的武器主要是舰空导弹和舰炮两种,如何合理地利用这些武器,最大地发挥舰艇编队的防空作战能力,成为舰艇对空防御作战研究的一个重要课题.结合舰艇编队对空防御的实际情况,利用模糊数学的方法,建立了舰艇编队对空防御火力分配方案的模糊综合评价模型.     

论军队院校科研管理资源配置机制建设

分析了目前军队院校科研管理资源配置机制中存在的问题及原因,提出了军队院校建立科学高效优化合理的科研管理资源配置机制的基本思路:建立基于学科的资源优化配置机制;建立和完善资源开放平台和共享机制;建立尊重和适应市场规律、科学合理的人才资源配置机制。     

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。     

基于GDOP的多基地雷达布站优化研究

以BLUE算法和GDOP为基本定位算法和精度分析工具,评估多基地雷达的定位性能,建立以GDOP最小值最小和有效监控区最大为目标的多基地雷达布站优化模型.仿真结果表明,通过以下措施可提高定位性能:①增加收发站总数;②采取扇形方式布站;③优先增加部署接收站;④交替部署收发站;⑤通过优化模型优化扇形布站分布角总和.     

面向混部云失败批处理作业的预测算法

为了降低混部云失败批处理作业的风险,使用K-means聚类算法将批处理作业分为四类,在分类的基础上提出了二层嵌套分类模型(two-layer nested classification model, TLNM),实现了基于TLNM的预测算法。基于Ali Trace 2018数据集上的实验结果表明,该算法的接受者操作特性(receiver operating characteristic, ROC)曲线明显优于其他常用分类器,ROC曲线下面积(即AUC)可以达到0.978,表明该算法具有良好的分类性能。同时召回率可以达到0.951,通过混淆矩阵可以看出TLNM算法能够准确预测出执行失败的批处理作业。     

节点实时性能自适应的集群资源分配算法

由于配置和所运行作业的不同,集群各节点的实时性能差异较大。为提高集群性能,提出节点实时性能自适应的集群资源分配算法 (node real-time performance adaptive cluster resource scheduling algorithm,NPARSA)。节点实时性能用其配置(CPU核数及速度、内存容量、磁盘容量)和实时状态参数(CPU、内存和磁盘的剩余数量及磁盘读写速度)表示。NPARSA根据作业类型自主选择节点性能评价指标的权值,实现节点实时性能对于作业类型的自适应。实时性能最优的节点分配给作业。虚拟机实验和物理集群实验表明,与Spark默认资源分配算法、没有考虑作业类型与节点匹配的算法、使用作业和节点匹配差异程度作为资源分配依据的算法相比,NPARSA能更有效地缩短作业执行时间、提高集群性能。