不可靠测试条件下基于NSGA-Ⅱ的多目标测试优化选择

针对测试不可靠因素严重影响测试优化选择结果以及现有方法不能很好解决多目标测试优化选择等问题,提出基于第二代非支配排序遗传算法(NSGA-Ⅱ)的多目标测试优化选择的方法。首先,描述了测试不可靠条件下多目标优化选择问题的数学模型;其次,在该数学模型下,将系统给出的故障检测率和隔离率作为约束条件,将测试代价、漏检率和虚警率作为优化目标,建立了多目标优化问题;然后,提出带有精英保留策略的NSGA-Ⅱ对多目标问题进行优化选择,利用NSGA-Ⅱ能够得到一组Pareto最优解,可根据实际需求选择最优的测试组合;最后,针对某装备进行实例分析,得到3组最优解,可以满足不同需求下的最优选择,验证了所提数学模型与多目标优化算法的可行性与有效性。      

基于最优小波包基的信号去噪算法及其应用

提出了一种基于Shannon熵准则的最优小波包基信号去噪算法,并将其应用于某型导弹惯导系统陀螺仪信号的去噪处理中。该算法在最优小波包基的基础上,针对不同频段采用不同的阈值算法,用量化后的系数重构得到去噪后的信号。仿真结果表明,该算法具有良好的去噪性能,并且消噪效果明显优于基于小波变换的去噪算法,因而将具有更为广泛的应用前景。     

某反舰导弹控制系统半实物仿真平台设计

介绍了半实物仿真原理和技术,将实物控制器引入闭环系统,并结合某反舰导弹控制系统的特点,进行了半实物仿真平台的设计并给出实现方法,得出半实物仿真的结果。     

无线电高度表自动测试与诊断系统

论述了一个基于 GPIB总线测试诊断系统 ,它既可对被测对象进行总体性能测试 ,又可对测试对象进行故障定位 ,系统的通用性和自动化程度较高 ,可应用于部队设备的测试、诊断和维修。     

基于RQPSO-DMPC的多无人机编队自主重构控制方法

针对敌方防御区域内各种威胁,为了实现隐蔽突防并实施对敌有效打击,在突防过程中多无人机(UAV)编队需要进行重构控制,并且编队内的相互避碰问题与通信约束问题也需考虑。通过建立无人机虚拟领航编队模型并引入邻居集,采用分布式模型预测控制(DMPC)同时构建多无人机编队的重构代价函数,提出采用改进量子粒子群优化(RQPSO)算法进行求解,并将求解结果与采用粒子群优化算法的结果进行对比。仿真结果表明,本文算法能够有效控制多无人机编队完成自主重构,实现安全隐蔽突防任务。     

基于新型配置方式的自旋弹头变质心控制研究

为了实现对自旋弹头的精确控制,提出了一种新型的质量块控制装置配置方式.该配置方式中2套径向质量块控制装置不随弹头自旋而旋转.建立了自旋弹头的姿态运动方程,并采用滑模控制方法设计了自旋弹头的变质心控制系统,能够保证自旋弹头的俯仰角和偏航角的跟踪误差收敛到零.为了验证自旋弹头的变质心控制系统的性能,举例进行了仿真研究.仿真...     

基于D-S证据理论的目标属性辨识研究

D—S证据组合理论已经成为不确定性推理的一种重要方法，基于该理论的多传感器决策层信息融合已得到广泛应用。本文在简要介绍D—S证据组合理论框架基础上，阐述了基于D—S证据组合理论的信息融合一般步骤及决策层判决方法；分析了发生证据严重冲突时，Dempster证据组合规则出现的不可靠和不合理的本质原因，介绍了针对D—S证据组合规则进行修正的几种主要方法；最后，提出了需要继续深入探讨的问题。     

PSO-RBF神经网络在舵机系统故障诊断中的应用

文章建立了基于RBF神经网络的故障观测器模型,提出了一种将粒子群优化算法(PSO)与正则化正交最小二乘法(ROLS)相结合的2级RBF学习方法,并将该RBF网络观测器应用于导弹舵机系统的故障诊断.实验结果表明,基于该RBF神经网络的故障观测器能够有效地实现导弹舵机系统的故障检测.     

基于优化SPOT和D-S证据理论的测试性验证方案

针对现有基于序贯验后加权检验的测试性验证方案对测试性设计指标之间的模糊参数空间考虑不足,以及未能充分运用测试性多源先验信息的问题,提出一种优化序贯验后加权检验和D-S证据理论相结合的测试性验证方案。首先,考虑测试性设计指标之间的模糊参数空间,构建三参数空间复杂假设,并基于Bayes理论研究序贯决策规则,同时确定决策因子以及决策阈值;其次,以测试性指标构成的参数空间为辨识框架,分别构造基于专家信息以及测试性试验数据等先验信息的基本信任分配函数,建立融合多源先验信息的优化序贯验证方案;最后,结合实例进行研究,并与经典验证方案、传统Bayes验证方案、序贯概率比检验方案以及序贯验后加权检验方案进行了对比分析。结果表明,该方案由于考虑了模糊参数空间以及充分融合了多源先验信息,有效解决了模糊参数空间的处理问题,同时所确定的平均故障样本量在决策支持的参数空间均优于其他方法。     

基于IGA算法优化的RBF神经网络应用

提出了一种基于改进遗传算法(Improved Genetic Algorithm,IGA)优化的径向基函数(RBF)神经网络,将实数编码的自适应交叉和变异操作的遗传算法与梯度下降法混合交互运算,作为RBF网络的学习算法,并应用于非线性函数的逼近和导弹故障模式的识别问题。仿真结果表明,基于IGA算法的RBF神经网络不仅结构简单,而且具有较好的网络泛化性能。