一类公务机客舱布置的多目标优化

针对双发涡扇公务机在总体设计阶段的客舱布置,建立了基于经济性与舒适性的优化模型并计算了一个案例。运用回归分析对大量该类飞机的历史数据进行了统计分析,得到了若干客舱几何参数与飞机总体参数及经济性、舒适性指标的数学关系式,并提出了两类指标的数学模型并进行了无量纲化。最后通过线性加权法求解了基于经济性与舒适性的多目标优化问题...     

无需辅助数据的分布式目标自适应检测器

在非高斯背景和没有辅助数据的条件下,研究了高分辨率雷达分布式目标的自适应检测问题.首先采用有序检测理论和协方差矩阵的迭代估计方法粗略估计散射点集合,进一步利用迭代估计方法获得协方差矩阵的近似最大似然估计,提出了无需辅助数据的自适应检测器(ADWSD).ADWSD在非高斯背景下具有近似恒虚警率特性,且检测性能远好于修正的...     

高升阻比自然层流翼型多点/多目标优化设计

研究并发展了一套进行高升阻比自然层流翼型多设计点/多设计目标的优化设计方法。为减少设计中的计算量,使用了XFOIL程序进行流场计算。使用基于响应面方法的优化方法进行最优化计算,并使用了不含二阶交叉项的二阶多项式模型作为响应面模型,大大减少了构造模型所需的试验次数,使进行更多设计变量和多点设计成为可能。试验点的选择满足D-优化准则。研究了设计点及目标函数的选择,进行了单点/单目标及多点/多目标的设计,结果表明:多点/多目标设计可以很好的改善单点设计中非设计点性能变差的缺点,设计结果有工程实用价值。     

基于目标距离的末制导雷达最优搜索图模型

深入研究了反舰导弹末制导雷达目标捕捉模型,以末制导雷达第一方位搜索周期捕捉概率和全程搜索捕捉概率为约束条件,建立了以末制导雷达第一方位搜索周期扫描面积为目标函数的末制导雷达最优搜索图求取模型,解决了基于目标距离的末制导雷达最优搜索图参数求取问题,并利用多项式拟合,得到了最优搜索图参数工程实现方法,该方法易编程、计算量小、占用内存少,是一种简单、实用的中远程反舰导弹末制导雷达最优搜索图参数实现方法。     

空间机器人捕获漂浮目标的抓取控制

提出了动态抓取域用于空间机器人捕获漂浮目标的抓取控制。空间机器人捕获漂浮目标时,由于机械臂与基体的动力学耦合、抓取时的碰撞激振等非线性特性使得抓取控制变得复杂而重要。首先建立了空间机器人及漂浮目标的动力学模型,而后引入了末端装置抓取目标时的碰撞模型,并提出了"动态抓取域"用于机械臂抓取目标时的控制,同时应用关节主动阻尼控制,以减小抓取碰撞激振对空间机器人冲击的影响。结果表明:在相同抓取时间下,加速抓取明显优于匀速抓取,碰撞力振幅减小至匀速抓取时的20%,对空间机器人的激振冲击明显消除,仅在抓取结束前有小幅激振。这对空间机器人的抓取控制有着重要的理论价值及工程实际意义。     

会议筹备的多目标规划

针对会议筹备的三个问题即预订宾馆、会议室安排、租车问题建立优化模型。对于预订宾馆问题、建立目标函数和约束条件、利用Lingo求解,将会议室安排和租车问题的各方面因素综合考虑建立模型并求解。     

同步误差条件下的空间目标双基地ISAR自聚焦算法

以空间目标为研究对象,针对双基地雷达时间、空间及频率同步误差导致的逆合成孔径雷达图像散焦问题,提出基于离散多项式相位变换的自聚焦算法。算法首先将目标平动、转动及同步误差导致的相位项统一建模为高阶多项式,利用离散多项式相位变换方法估计高阶多项式系数并据此构建补偿相位项,完成高阶相位补偿。最后进行方位压缩得到高聚焦度的二维ISAR像。算法通过选取合适的延时参数及成像积累时间可得到高精度参数估计及相位补偿,理论分析和仿真校验了算法性能优于常用的非参数化自聚焦算法。     

一种基于简化自适应SCKF的目标跟踪算法

为降低传统自适应SCKF(Square-Root Cubature Kalman Filter)在目标跟踪过程中的计算负担,依据目标跟踪模型中状态方程通常为线性的特点,提出一种简化自适应SCKF算法。该算法在一步预测过程中,利用状态转移矩阵代替容积点,实现对状态变量和协方差矩阵的计算,达到降低运算复杂度的目的。通过对机动目标跟踪的仿真验证:相比于传统的自适应SCKF,提出的简化自适应SCKF不但能够保证跟踪精度,还能有效地提高运算效率。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。