基于Bayesian-MCMC估计的隐身飞机RCS模型优化

对隐身飞机的雷达散射截面(RCS)统计建模时,传统方法通过直接计算RCS样本的统计特征估计模型参数,可能会产生较大的拟合误差。本文提出采用贝叶斯-蒙特卡罗(Bayesian-MCMC )方法提高起伏模型的参数估计精度,从而减小模型的拟合误差。首先将卡方分布模型和对数正态分布模型进行贝叶斯推导,得到其特征参数的后验估计表达式。然后采用MCMC算法构造后验分布的马尔可夫链,从而计算特征参数的估计值。最后通过比较2种方法的拟合曲线及其误差可知,本文方法适用于2种起伏模型,模型参数的估计误差比收敛误差门限值低1~2个数量级,2种分布模型的拟合精度均提高50%以上。      

基于分布式平台的FDTD并行算法

基于分布式平台开展一种新的时域有限差分（FDTD）并行算法研究,该算法基于VC++、CUDA5.0平台开发,调用Intel MPI 4.1.0库进行测试,在上海交通大学高性能计算中心图形处理单元（GPU）集群、上海超级计算机中心的“魔方”商用超级计算机以及国家超级计算济南中心的“神威蓝光”国产超级计算机等平台开展软件调试。通过对纯CPU、GPU以及CPU和GPU的混合测试,线程调度水平、核心函数处理速度得到明显提升,同时减少了通信执行时间比例,提高了加速比和并行效率,最后以2×2微带阵列为验证模型进行拓扑优化测试,结果证明该算法准确、有效。