基于视觉搜索的飞机显示界面设计原则

对飞行员在飞行中通过视觉搜索监视各种仪表信息的过程进行研究,探索时间压力和搜索难度两个因素对视觉搜索绩效的影响,从而为飞机座舱显示界面的工效学设计提供科学依据.设计视觉搜索程序来模拟飞机显示界面,并通过预实验确定时间压力水平和搜索难度水平的典型分级范围,在此基础上进行正式实验并记录反应正确率和反应时间.采用SPSS 19.0对实验结果进行双因素分析、简单效应、回归分析等,得到如下结论:不同水平的时间压力和搜索难度对反应正确率的影响具有显著性差异;不同水平的搜索难度对反应时间的影响具有显著性差异,并且在一定条件下反应时间和干扰项数目成线性递增关系;在保证较高正确率的状态下,即在人的认知能力范围之内,不同的时间压力水平对反应时间的影响没有显著性差异.因此,在飞机座舱显示界面视觉搜索的工效学设计中,要将时间压力和搜索难度进行最佳匹配才能取得较好的工作绩效.      

基于网格搜索法的圆柱度误差评定

采用网格搜索法,建立了圆柱度误差评定的数学模型。对算法的循环终止条件进行了优化设计,以前后两次搜索的最小极差之间的差值作为终止条件,保证算法收敛的可靠性。与传统的网格搜索算法相比,更加合理,圆柱度误差的评定准确度更易通过参数进行控制。     

主/被动联合多基地航空搜潜建模与仿真

以航空搜潜为背景,建立了多基地声纳搜潜范围模型、单机吊放声纳和浮标的主/被动联合多基地搜潜模型、潜艇运动模型,并以此为基础,仿真分析了潜艇初始航向、海洋环境噪声、搜索样式等因素对主/被动联合多基地搜索概率的影响.结果表明,利用吊放声纳与浮标组成多基地航空声纳对目标进行搜索,可节约搜索时间,有效提高搜潜效率,其中潜艇初始航向角度对单机吊放声纳和浮标的联合搜索概率影响较小,海洋环境噪声的变化对单机吊放声纳和浮标的联合搜索概率影响较大.     

基于最大度和随机游走的混合搜索算法

针对常规算法在网络搜索时搜索速度较慢和查询消息过多的缺点,提出了一种基于最大度和随机游走的混合搜索算法。该算法综合了最大度搜索信息利用充分和随机游走快速访问远程连接的优点,仿真结果也证实该算法能有效改善网络搜索速度和控制查询信息量。     

基于方向自适应菱形搜索的运动估计算法

基于对运动矢量分布特性的研究,提出了一种基于方向自适应菱形搜索的运动估计算法.该算法对搜索起始点进行预测;设置"双阈值",针对匹配块提前中止搜索;并根据运动特征,自适应地选择小菱形模板和4种新型的方向自适应菱形模板,具有强烈的搜索方向性.实验结果证明,该算法不仅大幅度地减少了平均搜索点数,而且在一定程度上提高了重建图像的信噪比,其搜索速度和精度均优于传统的快速运动估计算法.      

星际小推力转移任务发射机会的快速搜索方法

结合小推力与借力飞行技术可为星际探测任务提供更多行之有效的转移方案。现针对此类探测任务的发射机会搜索问题,基于Shape-Based理论,提出了一种新的快速搜索算法。该算法通过引入目标星体的状态约束,建立起初始飞行角与转移时间之间单调映射关系,从而实现了可行性轨道的快速解算;然后,综合考虑任务及轨道动力学约束条件,给出了搜索参数的合理搜索域。与传统搜索算法相比,该算法有效降低了搜索维数,减少了搜索空间,提高了计算效率。最后,以近地小行星1627Ivar为例,搜索了其在2010～2016年采用火星借力进行探测的发射机会,验证了本文方法的有效性。     

对抗黑盒攻击的混合对抗性训练防御策略研究

随着深度学习模型在无人驾驶等安全敏感性任务中的广泛应用,围绕深度模型展开的攻防逐渐成为机器学习研究的热点。黑盒攻击是一种典型的攻击场景,在攻击者不知道模型具体使用结构和参数等情况下仍能进行有效攻击,是现实场景中最常用的攻击方法。因此,分析深度学习模型的脆弱性并设计出更加鲁棒的模型来对抗黑盒攻击成为迫切需要。而传统基于单模型的单强度和多强度对抗性训练方法,在抵御黑盒攻击时性能十分有限;基于多模型的集成对抗性训练方法在抵御高强度、多样化攻击样本效果也不理想。本文提出一种基于贪婪强度搜索的混合对抗性训练方法,实验结果表明,所提出的混合对抗性训练能够有效抵御多样化的黑盒攻击,性能优于传统的集成对抗性训练。     

反舰导弹8字形二次攻击目标搜索效能评估模型

针对反舰导弹在一次攻击时未搜索到目标或搜索到目标后受电子干扰等因素,导致丢失目标而失去攻击机会的问题,通过分析反舰导弹的目标搜索过程,从充分利用剩余航程的角度出发,探讨了8字形二次攻击目标搜索的问题,研究了采取该方式搜索的效能影响因素,构建了8字形二次攻击搜索效能评估模型。通过仿真计算验证,论证了该模型的准确性,对研究反舰导弹二次攻击相关问题有一定的参考价值。     

基于量子搜索和高斯变异的MOEA/D算法

在实际应用中,尤其是在研究大规模决策空间的优化问题时,MOEA/D算法容易陷入局部最优。针对此问题,提出了一种基于量子搜索和高斯变异的MOEA/D算法。引入环境迁移模型,将两者进行并联,并且与原算法进行串联,利用量子搜索来提升算法的全局搜索能力,采用高斯变异位置更新方法保证算法的局部搜索能力。同时为了避免算法在迭代后期陷入"早熟"危险,提出了基于邻居位置的量子搜索,通过改变吸引点的生成方式,来加强量子搜索在迭代后期的局部搜索能力。结果表明:改进后的MOEA/D算法与原算法相比,提升了算法的搜索能力,也保证了算法的收敛能力。