航天部队试验综合能力评估模型研究

根据航天试验综合能力评估的特点和要求,依据系统工程的理论方法,确定了装备、人员和保障能力为主要评估要素,设置了评估层次和控制点,建立了航天试验综合能力评估模型。该模型由下至上分为3个层次：基础层主要对分系统各岗位人员和所属装备进行评估;分系统层主要对人员素质、装备性能和保障能力进行评估;系统层主要对整个系统的综合试验能力进行评估。通过实例表明该模型大大提高了航天试验综合能力量化评估的准确性。     

双基地声纳目标低频散射特性研究

针对双基地声纳目标低频散射问题,从Helmholtz积分方程出发,采用等价面元解决表面积分存在的奇异性问题,建立了非入射方向水下目标散射声场的物理模型和计算方法.计算了刚性圆柱体的后向散射回声,绘出了在不同收发分置角、低频情况下,刚性椭球目标强度随目标姿态角的空间变化曲线,并分析了其散射特性.结果表明,提出的模型和方法能计算任意分置角和任意目标姿态角时的水下目标散射强度,可用于预报双基地声纳目标低频声散射特性.     

符合粒子输运模拟的专用加速器体系结构

粒子输运模拟是高性能计算机的主要应用,对于其日益增长的计算规模需求,通用微处理器由于其单核结构复杂,无法适应程序特征,难以获得较高的性能功耗比。因此,对求解粒子输运非确定性数值模拟的程序特征进行提取与分析;基于算法特征,对开源微处理器内核架构进行定制设计,包括加速器流水线结构、分支预测部件、多级Cache层次与主存设计,构建一种符合粒子输运程序特征的专用加速器体系结构。在业界通用体系结构模拟器上运行粒子输运程序的模拟结果表明,与ARM Cortex-A15相比,所提出的专用加速器体系结构在同等功耗下可获得4-6倍的性能提升,在同等面积下可获得3-2倍的性能提升。     

基于多特征模糊融合的疲劳状态判决

在基于视觉的疲劳驾驶识别过程中,使用单个特征进行疲劳驾驶判断,常常会受到非普遍适用性、噪声等因素的影响,从而导致识别率降低。为了解决眼部特征参数或者是嘴巴特征参数单个特征识别率低甚至特使环境无法识别的问题,提出一种基于多特征融合的判决方法,利用了各种特征之间的优势互补,可以降低噪声和类内类间差异的影响,从而提高系统的性能,并且能增强适用性。最后通过实验结果证明,使用眼部和嘴巴特征融合的方法比单一的判决方法准确率更高。     

基于谱分析的卫星通信调制识别算法

通过分析典型卫星通信信号功率谱、平方谱、四次方谱以及包络平方谱特性,针对卫星通信随参信道造成信号噪声谱均值与方差随频率变化这一问题,采用最小二乘法对信号谱图进行预处理,定义偏离比作为单频分量检测值,在无任何先验知识条件下提取一组鲁棒性强的特征参数,实现信号自动调制识别。实验证明,改进后的算法复杂度较低、过程简单易实现,所提取参数对数字信号的调制指数与滚降系数不敏感,具有较好的可分性与稳健性,并同样适用于随参信道的信号调制识别,具有一定的实用意义。     

雷达目标高分辨距离像的特征提取及识别方法

本文首先应用ＴＬＳ－ＥＳＰＲＩＴ算法提取光学区高分辨雷达目标散射中心位置信息,并提出了“基于散射中心位置的相关匹配”目标识别算法,而后,证明了该算法相关匹配系数与所选择的基底无关以及算法的稳定性问题。最后,给出了五种飞机缩比模型的实验结果。     

基于热物理仿真分析的红外点目标特征提取与识别

根据弹道中段空间目标和诱饵的表面温度分布规律,从热物理的角度分析了目标和诱饵的红外光谱辐射特性,指出了弹道中段目标和诱饵红外辐射特性的本质差别,并据此提出了红外目标识别中的特征基函数,用特征基函数构造红外点目标识别的四维特征矢量。仿真实验表明,这一特征矢量用于红外点目标识别非常成功。     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响.针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响.在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能.     

弹道目标微多普勒特性基于逆Radon变换的稀疏表示

作为识别空间弹道目标的有效方法,微多普勒特性提取对于雷达系统的时频分辨率提出了很高的要求,因此,要求雷达系统具有更高的采样频率。作为近年来新兴的技术手段,在远低于奈奎斯特采样定理的采样频率下,压缩感知技术可以对具有稀疏特性的信号实现高精度还原。对空间弹道目标时频分布进行逆Radon变换,在变换后的IRT域内获得时频分布的稀疏表示,从而可以借助压缩感知技术有效降低采样频率的要求。     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。