面向任务的模块化战备方案修订及运用模式

针对当前信息技术发展的推进及部队使命任务的拓展和转型实际,对模块化战备方案研究现状进行了深入分析,面向作战任务,从任务、组织、专业和装备4个方面对模块化的战备方案进行了构建,对战备方案的运用流程进行了描述,而后以特种部队为案例,介绍了具体的模块组成,并引入反恐怖作战行动案例进行了合理性验证。通过模块化战备方案规划,保证不同情况任务模块的构造能力和组合能力,提高了战备方案的灵活性、适用性和可靠性。     

小生境粒子群支持向量机的网络故障诊断

针对支持向量机(SVM)在网络故障诊断中应用存在的参数设置和诊断模型复杂的问题,提出一种基于小生境粒子群优化的SVM解决方案。算法在进行参数寻优的同时考虑支持向量个数,实现对诊断模型复杂度的优化,并采用小生境粒子群算法进行求解,提高算法跳出局部最优的能力。在DARPA数据集上的实验表明本文提出的方法能够有效提高诊断模型的泛化性和诊断速度。     

基于粒子群算法维修保障单元优化配置

针对维修保障单元配置过程中需权衡综合多因素问题,提出了一种基于粒子群算法的维修保障单元优化配置决策模型和方法。首先,以维修任务完成概率为设计目标、以维修保障单元总数量为约束,建立维修保障单元配置决策模型;其次,运用粒子群算法对维修保障单元配置问题进行优化求解。通过具体实例分析,证明了该方法的正确性和有效性。     

停产雷达装备维修器材持续保障风险评估方法

针对停产雷达装备维修器材持续保障过程中存在的筹措断供问题,提出基于改进风险矩阵法和层次分析法相结合的风险评估方法。首先建立保障风险评估指标体系,然后采用改进的风险矩阵进行风险评估,利用采用层次分析法解决存在递归层次时风险因素的评估问题,最后得出装备器材持续保障风险的综合量化值,为提出保障风险规避策略提供数据依据。利用某型雷达器材保障风险评估案例进行数据分析,验证了该方法的有效性。     

基于专家系统的弹道导弹目标识别方法

传统Dempster-Shafer(D-S)算法及其改进算法中,一般将冲突证据与不冲突证据统一融合,无论融合过程中冲突证据所占权重多小,这都将降低融合效率。针对这个问题,引入专家系统理论,面向信息融合中证据冲突的问题,将冲突证据与无冲突证据分组,构建了基于专家信任度的弹道导弹目标识别模型和专家知识库模型,从工程上设计了弹道导弹目标识别专家知识库系统,提出了两种专家知识权重确立方法,并通过实例以及仿真,验证了算法的可行性。     

基于多模型组合的模拟电路故障诊断方法

针对传统模拟电路故障诊断方法识别准确率低及耗时较长的问题,提出一种基于改进的二进制粒子群优化算法(IBPSO)与隐马尔科夫模型(HMM)的综合诊断方法。该方法利用IBPSO对故障特征进行提取优化,降低故障特征维度,进一步利用HMM对提取的故障特征进行预处理,排除不可能类故障特征,提高了LSSVM的分类准确率。经过仿真结果分析验证,该方法较现有的BP神经网络诊断方法,能够在确保正确率得到提升的基础上,进一步提高故障诊断速度,具有更强的战场环境适用性。     

天基信息支援指挥控制体系运行机制及复杂网络建模?

天基信息支援是当前联合作战的主要样式之一,指挥控制体系是天基信息支援联合作战的核心和神经中枢,构建天基信息支援指挥控制体系运行机制和网络结构模型有助于提升天基信息支援乃至联合作战体系效能。探讨了天基信息支援云作战的基本概念和主要特点、天基信息支援云作战体系的构成和运行机制、以及天基信息支援云作战指挥控制体系的构成和流程,勾画了天基信息支援云作战指挥控制的理论框架,并结合示例构建了天基信息支援云作战指挥控制体系结构的复杂网络模型,并进行了主要参量分析,对开展天基信息支援指挥控制体系建设,指导天基信息支援以及联合作战体系需求论证、结构设计、评估优化等具有积极而现实的参考价值。     

战时营房保障资源动员能力模糊综合评判

战时营房保障资源动员是战时国民经济动员的重要组成部分。提高战时营房保障资源动员能力是做好战时营房保障资源动员工作的关键。由于影响营房保障资源动员能力的因素较多,既有定性的,又有定量的,且各因素又难以精确地描述,所以其评判过程具有模糊性。通过建立评判指标体系,应用模糊综合评判方法对战时营房保障资源动员能力作出评判,该方法具有较强的应用价值。最后,给出了一个应用实例。     

坦克分队行军中技术保障的概率模型

为了评价技术保障在行军中的作用,本文建立了在没有敌人炮火作用下,坦克在行军过程中所处状态的数学模型,该数学模型对合理运用技术保障的力量具有指导意义,并通过实例评价了技术保障对装备完好性及长距离行军后战斗能力的影响。     

面向像斑的高分辨率遥感影像自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市QuickBird和WorldView影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度（82%与82.67%）、常规支持向量机分类总精度（87.33%与88%）、最小二乘支持向量机分类总精度（88%与89.33%）相比,精度有明显提升,分类效果较好。