反导作战多传感器任务规划技术

多传感器任务规划技术是反导作战中的重要研究内容之一,即解决如何发挥多维传感器资源的互补优势,构建"传感器-目标-任务"序列,以实现整体执行效果最优。基于JDL信息融合模型深入剖析了反导作战多传感器任务规划体系结构及其信息交互。在此基础上,结合反导作战特点,从应用和理论研究两个方面分别对多传感器任务规划技术进行了叙述。     

机动目标IMM三维并行滤波跟踪算法

由于复杂的空中目标机动,其三维方向的机动强度是不一致的,传统IMM算法存在模型匹配不准确的问题,提出一种机动目标IMM三维并行滤波的跟踪算法。算法以CV和修正的CS模型为子集,在3个坐标轴上分别根据目标机动的分量实际更新其模型概率,并行IMM滤波方法,尽量确保模型的适配性,提高滤波精度。仿真结果表明,该算法比传统IMM方法跟踪精度更高,对空中机动目标跟踪适应性更强。     

加速寿命试验下复合失效产品的可靠性评估

产品往往受随机失效和耗损失效两种模式的双重影响,通过构建复合寿命分布模型来表征这类产品失效规律。在加速寿命试验下,基于极大似然估计构造了该类产品寿命参数估计的数值算法;为了验证该寿命分布是否真服从假定的复合分布,构建了常应力等效失效数据的柯尔莫哥诺夫分布检验法;最后,以电连接器这一典型产品为例进行了工程仿真试验并进行数据评估,从而验证了评估方法的正确性。     

基于扩展多模型自适应估计的运载火箭伺服机构故障检测与诊断

针对运载火箭伺服机构故障,提出了一种基于扩展多模型自适应估计的故障检测与诊断算法。首先建立了考虑伺服机构故障的运载火箭姿态动力学模型,其次将故障角度作为状态变量得到增广状态空间模型,然后利用扩展卡尔曼滤波器进行状态向量和故障参数的非线性估计,并基于传感器测量数据采用假设检验算法在线计算故障发生的概率,最后给出了基于扩展多模型自适应估计的故障检测与诊断算法流程。该方法的优点是只用一个扩展卡尔曼滤波器就可完成一个伺服机构的故障检测与诊断,从而大幅减小用于伺服机构故障检测与诊断的滤波器数量。仿真结果表明,该方法在无故障时可对伺服机构进行健康监测,在单台伺服机构故障下,可以及时准确判断出哪一台芯级伺服机构发生故障,并可准确估计出伺服机构故障下的发动机摆角角度。     

基于T-S模型的非线性系统主从控制器设计

针对同时具有输出和输入非线性的系统,通过中间虚拟控制量的设置,转化为两个非线性子系统的串联,从而简化系统结构并解决最终控制量不宜直接获取的问题。针对无人水面艇的航迹和横摇控制,设计了基于反演控制的从控制器,实现了输入非线性中虚拟控制量到舵角的映射,通过T-S模型将输出非线性系统,转化为线性时变系统,并考虑舵机的角度与角速度约束,设计了广义预测主控制器。该方法不仅简化了系统结构,同时仿真结果表明,所设计的主从控制器可以获得较好的控制效果。     

兵力部署相关概念综述

兵力部署问题旨在研究如何在作战时将兵力布置在适当位置。在研究兵力、部署和兵力部署概念溯源的基础上,分析了兵力、部署和兵力部署的基本内涵,归纳了兵力、部署和兵力部署当前具备的若干主要特征,提出了下一步研究建议。     

拦截弹中制导最优弹道簇生成

针对临近空间高超声速目标飞行速度快,跟踪预测难的特点,提出在中制导阶段进行最优弹道设计与弹道簇生成用于对目标预测命中区域进行有效覆盖的方法。通过分析临近空间高超声速目标对现有防空体系带来的挑战,阐明了在中制导段进行弹道簇设计与生成的必要性;将中制导段的弹道规划问题视为求解满足多种约束条件下的最优控制问题,应用最优化理论方法得到了基准的最优弹道;应用邻域最优控制理论,针对终端约束条件进行调整,设计了邻域最优弹道簇的生成算法。仿真验证了所提方法的有效性。     

一种针对分布式MIMO雷达的高效干扰功率分配方法

MIMO雷达的种类很多,其中分布式MIMO雷达是具有空间分集特性的一种,具有较强的代表性。针对采用多波束多信号干扰设备干扰分布式MIMO雷达的情况,要考虑针对MIMO雷达各节点干扰功率的分配问题,提出了采用能量集中法进行功率分配。给出分配方法及干扰效果的仿真实验,结果表明在使用相同的干扰功率情况下,所讨论的方法比传统的干扰等比例分配法具有更佳的干扰效果。     

协同作战中信息分发算法研究

大规模协同作战中的高效通信问题为当前信息战的研究重点之一,但由于单独作战单元无法了解全局的信息内容及需求方,这给通信资源有限的参战兵力之间的态势共享带来了困难。为此提出了一个分布式协作信息分发算法,在理论上借鉴了复杂网络的小世界特性,即单元节点可以通过邻节点在较少跳数内完成信息的传输。在思路上利用了信息相关性概念,作战单元利用信息之间的关联性及信息与节点之间的收发关系建立控制信息发送的路由表。并通过仿真实验验证了不同网络拓扑下算法性能的变化情况,结果证明分发算法能较好地支持信息共享。     

Single‐commodity stochastic network design under demand and topological uncertainties with insufficient data

Stochastic network design is fundamental to transportation and logistic problems in practice, yet faces new modeling and computational challenges resulted from heterogeneous sources of uncertainties and their unknown distributions given limited data. In this article, we design arcs in a network to optimize the cost of single‐commodity flows under random demand and arc disruptions. We minimize the network design cost plus cost associated with network performance under uncertainty evaluated by two schemes. The first scheme restricts demand and arc capacities in budgeted uncertainty sets and minimizes the worst‐case cost of supply generation and network flows for any possible realizations. The second scheme generates a finite set of samples from statistical information (e.g., moments) of data and minimizes the expected cost of supplies and flows, for which we bound the worst‐case cost using budgeted uncertainty sets. We develop cutting‐plane algorithms for solving the mixed‐integer nonlinear programming reformulations of the problem under the two schemes. We compare the computational efficacy of different approaches and analyze the results by testing diverse instances of random and real‐world networks. © 2017 Wiley Periodicals, Inc. Naval Research Logistics 64: 154–173, 2017