一种地形分析结果的多层次表示及量化方法

为了适应作战仿真智能实体的分层次路径规划,提出了一种地形分析结果的多层次表示及量化方法。根据全局路径规划与局部路径规划的概念和数字高程模型的多尺度表示模型,建立了地形坡度分析和可视性分析结果的多层次表示方法和量化公式。结合坡度计算和可视性计算公式,运用该方法实现了一个具体数字高程模型的多层次量化,分析了方法的有效性和可行性。试验结果表明：该方法可以实现分析结果的多层次表示,满足分层路径规划对地形分析的要求。     

外弹道数据融合实时算法研究

信息融合技术可以大大减轻指挥决策的工作量,增加信息置信度,减少模糊性,改善系统可靠性.针对靶场实时测控数据处理中急待解决的成片野值干扰等难题,在实时环境中采用数据融合处理方法,讨论了外弹道数据融合实时算法所面临的关键技术,并通过分析与论证得出可行性结论.结论对进一步的系统设计与软件实现具有指导意义.     

三维比例导引弹道建模方法研究

基于比例导引弹道的自身规律,运用坐标变换方法,选取合适的坐标系,建立了导弹按比例导引法拦截空中目标的模型,并在信息处理环节中加入导航误差、导弹控制误差、导弹观测误差和目标观测误差等,实现三维比例导引弹道的仿真.仿真结果表明,所建立的模型比较符合实际情况,可直观地显示比例导引弹道特性.     

RBF神经网络在深V型滑行艇阻力预报中的应用

基于SV、JYK系列滑行艇的阻力、浸湿面积、航行纵倾角试验数据,采用RBF神经网络建立了深V型滑行艇阻力预报数值图谱;针对艇艉底部横向斜升角变化的有限试验数据,提出了一种基于小样本试验数据的阻力修正方法。试验表明,该方法对深V型滑行艇(折角线长度与最大折角线宽度比在4~5.5,面积负荷系数在5.5~7,重心纵向相对位置在3%~9%,艉部艇底斜升角在5°~25°之间变化)阻力预报是可行的。在相同精度下,针对该文研究的问题,RBF神经网络所需时间少于BP神经网络。     

差压式管道内检测机器人驱动力与速度分析

差压式管道内检测机器人是利用管道中流动介质压力差驱动的检测装置,机器人受力情况及周围流场分布对其运动状态有着重要的影响。通过对检测机器人受力分析和数值模拟,讨论了影响给定机器人驱动力的主要因素,得到了以水为流动介质在水平管道情况下,水流速度与机器人稳态速度的近似关系式,为以后进一步研究机器人定位提供帮助。     

重型鱼雷的机动搜索及机动搜索弹道架构

针对潜射重型鱼雷在技术性能上的大幅提高和智能化作战的需要,在提出并分析鱼雷机动搜索概念和机动搜索时机的基础上,研究了远程重型鱼雷实现机动搜索在弥补发射平台目标定位误差、鱼雷发射后目标的有意机动和适应点对域攻击战法转变等作战环节中的必要性,构建了重型鱼雷机动搜索弹道的技术框架.     

目标通视性检测建模与仿真

在战斗机对地攻击选择武器投放位置以及巡航导弹选择地标点时,必须验证其选择位置的合理性,因此通视性检测是战斗机对地攻击规划的关键技术之一。提出了一种目标通视性检测的建模方法,分析了地形遮蔽盲区构成因素,给出了数字地图处理方法,建立了地形遮蔽盲区计算模型及发现目标概率模型,实现了目标的通视性检测,并进行了仿真验证。该模型为战斗机对地攻击选择武器投放位置和验证导弹地标点选择合理性提高了方法。     

高超声速伸缩翼变形飞行器轨迹多目标优化

针对高超声速条件下变形技术的应用模式,对具有伸缩翼的组合式飞行器滑翔弹道进行了多目标优化研究。介绍了伸缩翼的变形模式,给出了不同变形状态下的气动特性;建立了三自由度滑翔轨迹动力学模型和伸缩翼前缘热流计算模型;采用MOEA/D多目标优化算法,以变形条件和飞行攻角为设计变量、以最大射程和最小翼前缘总吸热量为目标函数,进行了多目标优化计算。优化结果表明,MOEA/D计算得到了相对均匀分布的Pareto最优解集,将伸缩翼外形与无变形外形相比,飞行器滑翔段射程得到了显著提高,同时伸缩翼前缘总吸热量有明显的降低。     

高超声速飞行器低可探测性滑翔弹道优化方法

为进一步提高高超声速飞行器的突防性能,提出高超声速飞行器低可探测性滑翔弹道优化方法。考虑飞行器180°×360°方向的雷达散射截面,针对原数据尖峰多、收敛难的难题,运用高斯滤波法对其进行预处理,既不改变原数据趋势又加以平滑,提高优化问题收敛性能。为使计算所用雷达散射截面数据具备较强的保真性,采用三次样条插值方法调用离散数据计算实时雷达散射截面。完成了高超声速飞行器低可探测性滑翔弹道优化问题的建模,以探测概率为目标函数,运用hp自适应Radau伪谱法优化求解,采用逐步计算策略进一步提高优化效率和收敛性能。与传统最短飞行时间弹道对比表明,该方法有效降低了飞行器被雷达发现的概率。     

基于改进协同遗传算法的有效载荷系统功能序列规划方法

针对传统回溯算法在求解基于知识模型的有效载荷系统功能序列规划问题中搜索效率低的问题,提出一种基于"择劣变异"(Worst Individual Mutation,WIM)策略的协同遗传算法(Co-evolutionary Genetic Algorithm,CGA)的改进算法WIM-CGA。该算法在遗传过程中采用双路线进化方案,即"择优实施标准遗传过程,择劣实施变异操作",达到提高求解精确度及搜索效率的目的。仿真结果表明,同等测试条件下,当功能规模为50,约束密度为1.0时,WIM-CGA算法在限定时间内最优解的平均精确度比优化的回溯算法提高了54.15%,比CGA算法提高了6.18%,且当所得解的精确度大于90%时,WIM-CGA算法比CGA算法的迭代次数减少了65.79%,耗时降低了48.97%,显著提高了功能序列规划的效率。