基于任务弧段的测控通信任务可靠性建模方法

基于对任务的弧段划分,建立了测控通信任务的可靠性模型.根据任务执行时序图,参与任务的测控通信资源及任务成败标准,将测控通信任务划分为不同的任务弧段,定义了正常任务弧段和空闲任务弧段,基于Markov过程,提出了正常任务弧段和空闲任务弧段的可靠性建模方法.提出了在考虑测控通信资源的开机准备时间和停机时间的情况下的可靠性建模方法,对测控通信任务重新划分任务弧段,各任务弧段依据相应方法单独建立模型,依次求解各模型可得整个任务的可靠性.最后以具体的测控通信任务为例,计算并分析了不考虑资源开机准备时间和停机时间、仅考虑资源开机准备时间、仅考虑资源停机时间以及考虑资源开机准备时间和停机时间的任务可靠性,验证了模型的正确性.      

部分可观测信息条件下装备剩余寿命预测

 针对部分可观测信息条件下退化系统的剩余寿命(RUL)预测问题,综合利用装备的历史寿命信息和性能退化信息,采用隐马尔可夫模型(HMM)对系统进行状态评估,得到系统的转移概率矩阵和观测概率矩阵;采用Bayes方法不断更新系统状态空间的条件概率分布;利用比例故障率模型(PHM)对系统进行可靠性分析,得到系统的故障率和可靠度函数,进而得到装备的剩余寿命分布。研究表明,该方法可较准确地预测装备的剩余寿命,为保障人员提供科学的维修决策依据。     

基于改进MCMC的波束内目标与诱饵联合参数估计

波束内目标与诱饵的参数估计是导引头正确实现目标分选、完成波束指向调整与精确跟踪的必要条件。目标与诱饵的“紧密接近”导致接收回波混叠,使得常规参数测量与估计方法失效。基于实际采样处理中目标回波能量会“溢出”到相邻匹配滤波采样点这一信号模型,通过贝叶斯原理从观测的条件似然以及未知参数的先验分布获取待估计参数的后验概率分布,采用Markov Chain Monte Carlo (MCMC)方法中的Metropolis-Hastings (M-H)抽样算法联合估计目标与诱饵的相关参数,并根据拖曳式诱饵干扰对抗的特点对M-H抽样进行了改进。各种典型干扰条件及动态攻击场景下的仿真试验表明了本文方法的有效性。
     

基于Markov理论的反舰导弹突防舰载防空火炮效能评估

采用Markov理论,考虑海浪对防空火炮射击精度的影响,建立反舰导弹突防舰载防空火炮效能评估模型,动态地评估m枚反舰导弹随距离、海况等级变化突防n座防空火炮的突防率,确定要击毁军舰需要突防防空火炮的反舰导弹的枚数。     

基于Markov Chain Monte Carlo的幂律过程的Bayesian分析

在多种合理的无信息先验分布下,基于Markov Chain Monte Carlo方法,提出了一种简单且易于抽样的幂律过程的Bayesian分析方法.所提方法将失效、时间截尾数据统一分析,能快捷地获取幂律过程模型参数的Markov Chain Monte Carlo样本,利用该样本不但能直接给出模型参数函数的后验分布,还能给出单样预测和双样预测的分析.一个经典工程数值算例说明了所提方法的可行性、合理性与有效性.该方法具有一定的优越性,可为小子样可靠性增长分析提供一种值得参考的方法.      

基于工业物联网的混流车间机器人自适应调度

随着工业物联网技术与人工智能技术深度融合,物料机器人已广泛应用于物联网车间中。针对车间存在实时动态变化和状况不确定等诸多复杂因素,本文提出以组分层建树和以实时状态为根节点的SP–MCTS(Singleplayermonte-carlotreesearchalgorithm)搜索方法实现车间自适应调度决策。该方法将机器人调度问题转化为马尔科夫决策过程(Markov decision process,MDP),并详细描述车间状态、动作、奖励和策略的表示方法。在实时调度过程中,该搜索方法依据工件组分层建树,搜索中只考虑相邻两组间的状态关系,从而简化计算难度。在子树搜索中,应用SP–MCTS以实时状态为根节点进行搜索,同时应用扩展方法和剪支方法进行策略探索和信息累积,使得在子树内实时状态节点越深,就越能够快速精准获取最优策略。最后,通过实际案例模拟分析,验证了该方法的有效性和优越性。     

面向深空时变信道的数据传输策略

将呈现随机“好”、“坏”状态跳变的深空Ka频段链路噪声温度建模为两状态Gilbert-Elliot信道,考虑深空下行发送端只能获得延迟的信道状态信息（CSI）的限制,结合部分观测马尔科夫决策理论设计了基于延迟CSI预测信道状态的自适应最大化吞吐量传输策略。理论推导了在深空通信环境下最优传输策略的关键阈值,并给出了简化的闭合解计算式。通过地球-火星通信参数仿真,校验了该方案能有效提高吞吐量,提高文件传输效率。     

基于机器学习的空间翻滚目标实时运动预测

借助监督式机器学习（ML）方法,对空间翻滚目标的运动状态预测问题进行研究,为空间机器人抓捕空间翻滚目标提供可靠的数据依据。基于物理模型的运动预测方法依赖理想的建模假设,需要连续的视觉反馈信息,解决目标预测问题的能力有限。因此,本文采用机器学习中纯数据驱动方式的稀疏伪输入高斯过程（SPGP）回归方法进行空间翻滚目标的运动预测。给定空间翻滚目标运动状态的历史观测数据,通过连续优化真实观测数据,得到稀疏的伪训练数据集,进而在线快速预测目标的运动状态,预测的计算效率达到毫秒级。此外,利用马尔科夫链蒙特卡洛（MCMC）法处理连续优化过程,克服由于随机初始值造成的优化过程陷入局部极小值问题。利用Snelson数据验证了所提稀疏伪输入高斯过程回归方法的正确性,并通过4组仿真算例验证了所提方法对于空间翻滚目标运动预测的有效性和鲁棒性。     

基于Markov模型的机群完好率研究

通过建立非线性模型对机群的完好率进行研究。针对完好飞机,重点研究飞行批次对完好率的影响;对于故障飞机,重点研究中修级维修和串件维修对修复率的影响,进而得出在基层级维修能力下机群满足总体完好率要求的持续时间。     

基于MARKOV过程的反舰导弹突防舰艇编队能力评估

为了全面评估反舰导弹对大型水面舰艇编队的作战能力,引入Markov模型来模拟不同速度、不同高度的导弹对编队的突防效果.以编队的防空队形为例,假定来袭导弹服从Possion分布,编队的拦截系统对来袭导弹采用"先来先服务"的原则,通过设定合理的参数,得出不同速度、不同高度导弹的突防效果.模拟结论从突防效能的角度验证了当前反舰导弹的两种方向:超低空亚声速和低空超声速.所建立的大型水面舰艇编队拦截模型具有普适性,通过修改相应的参数,可以评估其他类编队的拦截作战效果.