用预测法量化防空导弹武器系统效能的研究

针对当前分析人员难于求解防空导弹武器系统总体效能值，提出了一套量化系统效能中的系统能力向量Ｃ的方法。对该方法作了详细的论述，并用该方法量度了一些防空导弹武器系统的总体系统效能。分析得到的结果是令人满意的，从而进一步解决了如何通过较理想的效能模型，全面地预测防空导弹武器系统在给定条件下完成规定任务的能力问题。     

一种改进的区域覆盖星座优化设计方法

为缩短区域覆盖星座优化设计的计算时间，对网格点仿真法进行了改进。在统计时间内，以解析法计算卫星覆盖时刻集，并采用遗传算法优化星座参数。仿真计算结果表明，本文改进方法的计算时间仅为优化前的百分之一。     

PC机上视景同步仿真的实现

随着导弹模拟训练系统在用户训练中的广泛应用，为了能够使操作人员在模拟训练的过程中有逼真效果，必须较好地实现实际装备操作过程中的视景仿真。结合自动检测、多媒体技术、视景音响模拟技术，运用Delphi6成功完成了某导弹模拟系统的研制，该模拟训练系统可逼真地再现实际装备操作训练视景的全过程。     

叉形件磁粉探伤工艺的改进

~~叉形件磁粉探伤工艺的改进$贵州国营风华机器厂@荆峰     

对我国导游报酬体制创新的探讨

目前在我国旅游行业中,以收取回扣为主的导游报酬体制己成为制约导游服务质量提高的根本原因,体制创新成为潜在必需。文章在分析了当前导游报酬体制现状的基础上,运用经济学中的帕累托改进原理解释了实施导游报酬“小费制”的合理性,并在此基础上提出了具体的实现途径,体现出该体制的优越性。     

一种微波滤波器机辅调试的新方法

微波滤波器的机辅调试(CAT)是微波工程中较新的领域。本文提出并介绍了一种可用于微波滤波器机辅调试的新方法，其主要过程为：采集矢量网络分析仪上被测滤波器的网络S参数，通过优化、拟合得到网络参数的有理函数模型，运用网络综合理论和矩阵旋转变换理论，提取被测滤波器的耦合矩阵，将此矩阵与原始设计矩阵进行比较，可得出被测滤波器中所有参数偏离目标值的偏离量。由此，可指导试验调试。为说明该方法的有效性，文中给出4个例子：4阶2极点类椭圆函数滤波器、7阶切比雪夫滤波器、5阶3极点不对称滤波器、10阶8极点自均衡类椭圆函数滤波器。试验结果表明：即使滤波器严重失谐、耦合系数与目标值差别很大，该方法仍能有效。该方法为微波滤波器的机辅调试提出了一个很好的思路，是提高批生产能力的一个有益尝试。     

基于实数编码的改进遗传算法研究

针对遗传算法运算速度低、容易陷入局部最优值、早熟收敛等缺点,提出了基于实数编码的遗传算法的改进算法,对基于实数编码的遗传算法的选择、交叉、变异算子以及操作方法进行了改进,采用最佳保留选择策略、多算子交叉和变异,并且采用自适应变焦变异,改进后的交叉与变异操作,使算法始终保持了种群的多样性,同时也提高了寻优最终结果的精确性。实验表明基于实数编码的改进遗传算法(R IGA)有效的改善了遗传算法的缺点。     

基于SVR的导航传感器自适应野值检测方法

针对Lagrange插值法无法处理连续野值的问题，提出了一种基于改进支持向量回归(Support Vector Regression, SVR)的导航传感器自适应野值检测方法。该方法结合了支持向量回归利用小样本数据就能够准确建模和3σ准则计算简易的优点，利用支持向量回归在线建立舰船的运动模型对测量值进行实时预测，并利用3σ准则自适应地计算阈值，然后通过比较阈值与预测残差来判别测量值是否为野值点。该方法可以自动地学习舰船的运动趋势，建立舰船的真实运动模型，而且不受连续野值点的影响，能够在没有其他传感器辅助的条件下完成野值检测。海试实测数据表明，提出的方法对离散和连续的野值点均具有较好的检测效果，同时可以更好地估计传感器的真实测量值。     

压电材料壳的广义变分原理和状态向量方程

将三维弹性材料的H-R变分原理引入到具有机-电耦合效应的三维压电弹性材料圆柱壳问题中,建立了对应于正交各向异性压电材料圆柱壳的Hamilton型广义变分原理。通过变分运算得到了柱坐标系下的状态向量方程,该状态向量方程也是Hamilton正则方程。最后指出纯正交各向异性弹性材料壳Hamilton型广义变分原理是变分公式的特例。变分原理的建立将有利于压电材料圆柱壳静力学和动力学问题的有限元方法或半解析法的推导。     

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。