武警院校开设野外拓展课程探讨

对武警院校开展野外拓展课程的现状进行了深入细致地调查研究,归纳总结了野外拓展的概念和理论。对野外拓展在武警院校教学中的功能作用进行了探讨分析,并将野外拓展课程的开设和学员综合素质的培养有机结合起来,从理论和实证的基础上剖析了野外拓展对提高学员综合素质的作用。     

积分模糊变结构控制的导弹侧向自动驾驶仪设计

针对导弹侧向稳定回路这一参数大范围快时变系统,应用一种积分模糊滑模控制方法来设计自动驾驶仪.通过模糊控制和滑模控制的有机结合,并引入积分环节,使得控制输出得到连续化,避免了变结构控制所固有高频颤振现象,易于工程实现.仿真结果表明,给出的积分模糊变结构控制器,能够抑制弹体模型参数的大范围变化和外界干扰等不确定因素的作用,具有很强的鲁棒性和良好的动态性能.     

基于动态窗口的灰色加权填充算法及应用?

为解决复杂系统中单属性缺失数据填充困难问题,提出了基于动态窗口的灰色加权填充算法。该算法通过建立双向灰色预测模型,并采用模型精度评价系数加权填充缺失数据,有效增强了算法的准确性;提出基于灰色模型评价系数反馈的动态伸缩窗口概念,寻找产生最优模型的训练数据序列,使算法具有良好的鲁棒性和适应性。实验结果表明,该方法在RMSE和MA两项指标上均优于传统的双向灰插值、灰插值、多项式插值等方法。     

伏拉索夫模式变换器数值计算

为给伏拉索夫 (Vlasov)模式变换器的设计提供一种理论计算的方法 ,通过建立模型 ,利用矢量绕射理论经多步计算获得了Vlasov辐射器的辐射场 ,并进一步计算了该辐射场经抛物柱面反射后的场分布。数值计算与实验结果吻合良好 ,可作为Vlasov模式变换器设计和分析的工具。     

金属泡沫复合材料夹芯结构的压痕响应实验

金属泡沫夹芯结构是近年来新出现的一种明显具有结构和功能一体化特点的新型轻质材料,它在临近空间飞行器、航海及汽车等领域有着广阔的应用前景。以以纤维增强复合材料面板、闭孔泡沫铝芯子为特征的复合材料夹芯结构为研究对象,对其在球形压头作用下的压痕响应、损伤模式、变形机制和失效机理进行理论分析和实验研究。研究发现,泡沫铝复合材料夹芯结构的压痕响应是夹芯结构的各个组成部分的响应、相互作用以及压头属性的综合作用结果。泡沫铝复合材料夹芯结构在球压头作用下的损伤模式为基体开裂、纤维断裂、层间分层、泡沫铝的屈服及剪切断裂五种失效模式。     

射频/红外复合制导半实物仿真技术的发展

射频 /红外双模复合制导技术的不断发展引发了对射频 /红外双模复合制导仿真工具的迫切需求。国外从 20世纪 80年代末就开始了射频 /红外半实物仿真系统的研究。分析了美国海军空战中心等 4个单位的射频 /红外半实物仿真系统及其发展过程、技术特点。     

基于支持向量机的雷达弹道外推方法仿真研究

支持向量机是一种求解回归预测问题的优秀决策方法,具有坚实的理论基础和优秀的预测性能。为解决目前雷达弹道外推中存在的精度不高和不能有效识别弹道等问题,对基于支持向量机的雷达弹道外推方法进行了仿真设计,并通过仿真弹道模拟雷达采样,进行了仿真实验。仿真实验结果表明:基于支持向量机的雷达弹道外推方法实用可行,可以获得较高的外推精度,并且能够有效地进行弹道识别。     

反舰导弹典型攻击模式及运动仿真研究

针对当前反舰导弹的主要特点,研究国外典型反舰导弹的攻击模式和运动仿真模型。采用简化六自由度动力学模型,对其典型航迹进行了模型描述,建立了导弹蛇形机动、比例导引、末端跃升俯冲航迹的动力学仿真模型,并得到了几种典型航迹的仿真结果,为水面舰艇的防空反导作战提供了理论支持。     

近地卫星Ka频段数传链路抗雨衰ACM模式设计

针对近地卫星数传时的信道时变性和严重的Ka频段雨衰现象,采用自适应编码调制（ACM）技术能够充分利用链路资源,相对于传统的固定编码调制方式,进一步提高了链路的数据吞吐量。提出了近地卫星Ka频段数传链路ACM模式设计方法,在降雨环境下建立Ka频段数传链路模型,根据信道状况确定ACM选用模式;采用基于导频符号的最大似然信噪比估计算法结合移动平均的平滑方法实现信道估计,有效地减小了估计值的波动。仿真结果表明,无论晴天还是雨天,采用提出的卫星数传链路ACM模式设计方法,能够在保证系统可靠性的同时获取较高的数据吞吐量。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。