ICT图像重建并行处理技术

在ICT图像重建中一般采用的并行系统有阵列处理机、基于多个PC机的MIMD系统、由多个DSP和反投影专用处理器组成的多处理器系统和工作站机群。     

AP85多机系统及其并行算法的开发应用

本文简单介绍了航空工业部第六三一所研制成功的AP85松散耦合多微机系统的软件和硬件,分析了AP85系统开发并行程序的技术要点以及要考虑的若干问题,最后以矩阵相乘,G-J按解线性方程组以及SOR法求解偏微分方程为例,深入论了如何在AP85多机系统上实现并行算法程序,并且进行了实现效率的分析。这些为在一个MIMD多机系统上开发并行算法提供了一定的经验。     

AP85多机系统软件结构

本文是在航空计算技术研究所阵列机组所研制的 AP85基础上的软件总结报告,文中系统总结了 AP85系统软件所具备的功能。实现技术要点以及实现经验,详细介绍了基础物理命令,阵列机支持软件,并行 FORTRAN 语言,多机调试软件以及高级语言动态调试软件等几方面内容,这些为在一个 MIMD 类型松散耦合的多机系统上开发系统软件提供了一定的参考经验。     

基于倾斜角的多目标测向无源定位技术

对多目标测向无源定位问题进行了研究。虽然无源观测站不同,针对同一目标的方位角和俯仰角数据也不同,但它们有共同的倾斜角。基于此,提出了基于倾斜角的多目标测向无源定位算法。该算法分别计算一组与多个目标对应的倾斜角,然后利用倾斜角最接近原则对这2组数据进行关联判断,解决多目标测向数据的关联和定位问题,并通过仿真实验,对算法的有效性和可行性进行了验证。     

改进的基于隐马尔可夫模型的自适应IMM算法

针对机动目标跟踪中交互式多模型算法(IMM)的马尔可夫转移概率矩阵固定不变造成跟踪精度降低的问题,在已有的基于隐马尔科夫模型(HMM)的自适应IMM算法的基础上,对隐马尔可夫链的长度和Baum-Welch算法迭代次数的2个参数对该算法跟踪性能的影响,进行了深入研究分析,进一步明确了这2个参数选择的依据;并针对该算法在目标机动转换时峰值误差增大的问题,给出了2种修正方法,从而提出了改进的基于HMM的自适应IMM算法。最后,通过仿真分析了算法的参数和修正方法对跟踪性能的影响,并与传统IMM算法进行对比,证明了文章提出算法的有效性。     

飞行轨迹预测的两种变结构IMM算法

针对交互式多模型(IMM)算法的缺陷,把变结构思想运用到此算法中,给出变结构交互式多模型(VSIMM)算法。基于图论知识,提出两种变结构算法:转换图交互式多模型(SGIMM)算法和自适应图交互式模型(AGIMM)算法。通过仿真试验,验证了这2种变结构算法的优越性,同时分析了2种算法的不同点。     

雷达低空目标俯仰角跟踪的C2算法研究

在单脉冲测角体制下,由于多径回波信号的干扰,极大地降低了雷达低空目标仰俯角跟踪精度,甚至丢失目标。通过对多路径反射环境模型分析,得出了岸、海基单脉冲雷达低空目标跟踪时仰俯角测量误差的产生原因,提出将传统的多目标分辨算法(C2算法)应用于低角多径环境下目标俯仰角的跟踪测量,并在不同多径反射环境下对不同高度、不同飞行速度和飞行方向的目标进行了仿真,得到良好的仿真结果,表明该算法可较大地提高俯仰角跟踪测量精度。通过对仿真结果的分析,验证了该算法在低空目标跟踪中的有效性和可行性。     

多段翼型气动力优化设计的多标准高效进化算法

本文分别结合基因算法与博弈论中的竞争型Nash对策及分级型Stackelberg对策构造了多标准高效进化算法,并对二维三段翼型成功地进行了多标准位置增升优化。基因算法在合适地选择了基因操作算子后可以得到全局最优解,博弈论的引入使得传统基因算法具备了无人工干预的多标准优化算法,并且这一优化过程接近于实际翼型工程气动力设计情况。应用本文的方法成功地对三段翼型进行了不同气动条件下的缝翼与襟翼的位置组合优化,最后给出了优化算例,并对两种算法进行了对比。     

端点误差控制刀位算法的改进

 对端点误差控制数控加工刀位算法进行了改进：采用2个端点间偏置距离代替它们的参数差值用于衡量加工带宽和进行加工误差控制，提出了一种新的采用循环迭代计算刀具旋转角度的方法，并给出了格点法对偏置方向角进行优化的过程；使得算法不受具体的曲面参数化方式影响，简化了刀具定位时计算量，刀位得到了充分的优化。利用UG二次开发技术进行的实例计算表明：设置走刀方向沿着曲面的最小主曲率方向比沿着曲面的最大主曲率方向加工带宽更宽，前者应该是该算法的最优走刀方向，而且沿着最优方向走刀的优化刀位和多点切触加工算法得到的加工刀位一致,该算法也比多点切触加工算法有更大的适应性。     

大涵道比涡扇发动机循环参数优化算法研究及应用

针对多约束条件与多优化变量的大涵道比涡扇发动机循环参数优化问题,提出了自适应三次变异差分进化算法,运用多个Benchmarks多峰函数对算法进行验证,并将该算法与大涵道比涡扇发动机性能计算程序相结合,对多约束条件下的循环参数进行了优化.计算结果表明:自适应三次变异差分进化算法比传统差分进化算法收敛精度更高、收敛速度更快,大幅度提高了大涵道比涡扇发动机循环参数优化效果,适合解决大涵道比涡扇发动机循环参数优化问题.      

用于多层前馈神经网络学习的快速遗传算法

提出了一种用于多层前馈神经网络学习的快速遗传算法 ,论述了其算法的进化过程并对多层前馈神经网络的权值进行了优化 ,对权值的初始化范围以及输入层节点进行了优化选择。仿真试验结果表明 ,该算法收敛速度快 ,网络逼近精度高 ,克服了BP算法易于陷入局部极小的问题。     

多传感器数据融合的平均航迹算法

提出了一种适用于分布式多传感器的平均融合算法，对其算法机理进行了详细描述。对融合算法、未融合算法和算术平均算法三者的跟踪航迹和方差进行了仿真比较。仿真结果表明，融合算法优于算术平均算法和未融合算法。它提高了跟踪精度，改善了航迹质量。尤其在多传感器跟踪系统工作异常的情况下具有独特的优良位能。     

航空多项目资源约束下计划优化的改进型粒子群算法

建立了并行多项目在资源约束条件下计划优化问题的数学模型,并提出一种改进型混合粒子群算法对多项目实施并行调度来解决网络计划的优化问题。最后,对某型飞机的2个并行装配计划进行了实例计算,验证了方法的有效性。     

一种全程控制的模糊遗传算法在结构优化中的应用

将一种全程控制的模糊遗传算法(FGA算法)引入结构优化设计。区别于一般的标准遗传算法(SGA算法),该算法基于模糊推断机理,可对遗传算法的选择、交叉、变异以及搜索空间的变化进行全程控制。通过2个典型数值多峰函数对FGA算法与SGA算法性能进行了考核和对比,证明该算法在跳出局部最优和搜索效率等方面均有较大改进。将此改进的模糊遗传算法(FGA算法)应用于含整型和离散变量的铆钉连接结构连接效率优化。结果表明:连接效率和优化效率均得到改善。      

EBE技术在结构分析中的应用——EBE—CG方法及其并行实现

共轭梯度法(CG法)是求解大型稀疏有限元方程组的有效迭代解法。针对大规模结构分析问题,提出了不形成总刚度矩阵时的EBE-CG法及其并行处理方法。在国内规模最大的大型MIMD分布式系统上的初步数值试验结果表明,并行的EBE-CG法是很有效的。     

引入神经网络的交互式多模型算法

在交互式多模型算法中引入神经网络算法以改进目标跟踪的精度。利用神经网络算法对基于机动目标“当前”统计模型的均值和方差自适应滤波算法进行修改,提高该算法的性能,然后采用交互作用多模型算法跟踪机动目标,提高了机动目标的跟踪精度。     

气动设计的多目标优化算法比较研究

由于目标函数复杂且流场求解耗时,气动优化设计需要选择搜索能力强且调用目标次数少的优化算法,现有的优化算法种类很多,针对不同类型问题算法性能不同。本文将常用的多目标优化算法进行了分类总结并进行函数测试,判断各个优化算法对不同问题的收敛性和稳定性,找出适合气动优化的多目标优化算法。将该算法应用于气动优化问题当中,进行了针对翼型的气动优化设计,缩短了优化时间,取得了一定的优化效果。     

多Agent协调模型与算法在时隙分配中的应用

针对离场时隙分布式分配问题,阐述了航空公司和流量管理部门的博弈关系,建立了多Agent的博弈协调模型,提出了协调算法,并进行了算例分析.算例结果显示,应用博弈协调模型和协调算法,3个航空公司的延误时间分别为1 min、6 min和21 min,比RBS算法分配结果分别减少了10 min、6 min和2 min.算例结果说明多Agent的博弈协调模型及算法是可行的和有效的.     

低空无人机路径规划算法综述

随着无人机技术的发展,无人机在低空的应用场景越来越多,复杂的低空环境对无人机路径规划算法提出了新的要求。本文总结了近年来常用的无人机路径规划算法,包括图搜索算法,线性规划算法,智能优化算法（遗传算法、粒子群算法、蚁群算法）,强化学习算法;对这些算法的原理、适用场景及其优缺点进行了归纳分析;并基于无人机发展现状对无人机路径规划算法进行了展望。     

基于MMSE的近似最优Lattice Reduction辅助线性并行检测算法

现有基于Lattice Reduction (LR)技术的多输入多输出(MIMO)系统检测算法,虽然可以有效地提高MIMO系统的误比特率(BER)性能,但其检测性能与最优的最大似然(ML)算法相比仍然存在差距.针对这一问题,提出了一种新的基于信道分组的线性Lattice Reduction辅助检测算法.该算法首先将信道分为两组,对通过条件最差子信道的信号采用最优的ML算法检测,然后将其从接收到的信号中消除,再采用Lattice Reduction技术对第2组信道进行优化,最终并行地对剩余信号进行检测.仿真结果表明:在16QAM(Quadrature Amplitude Modulation)和64QAM调制下,对于4×4的MIMO系统,该算法的误比特率性能达到了最优;对于6×6的MIMO系统,该算法相比最优的ML算法其检测性能相差不到0.5 dB.