基于博弈的多目标弹药调度策略优化研究

针对作战部队弹药调度策略问题,综合考虑不同作战部队对弹药调度时间因素和安全因素需求程度的差异,通过博弈模型对多目标问题进行度量,进而结合遗传算法对弹药调度策略进行优化。仿真结果表明,本文构建的博弈模型能够更加合理地为不同环境下具有差异化需求的弹药调度策略进行优化。     

针对GEO目标的美国天基态势感知技术发展研究

为了掌握针对地球静止轨道(GEO)目标的天基态势感知技术动向,文章系统整理了美国相关卫星的公开数据和资料。根据卫星的功能和使命,GEO目标的天基态势感知技术试验卫星可分为3类:目标观测卫星、目标交会与抵近操作卫星以及目标编目卫星,并分别对3类技术试验卫星的有效载荷、平台和运行轨道等方面进行分析和比较,梳理了针对GEO目标的天基态势感知技术发展演进脉络,对后续态势感知技术的发展趋势进行了预测。文章的研究内容可为我国未来态势感知技术发展提供借鉴。     

基于空间机械臂的柔顺抓捕技术研究综述

空间机械臂是广泛应用于空间探索与实验的重要机电设备,柔顺抓捕技术为其执行主要任务的基础。空间机械臂柔顺抓捕技术主要分为结构设计与控制方法两个方面。首先介绍了目前已成功应用的空间机械臂末端执行器系统,分析了其结构与抓捕原理特点,说明了相应优势与不足,并给出结构优化的合理建议。然后介绍柔顺抓捕的控制方法在空间任务以及部分非空间任务中的成功应用,比较了其特性与优劣,归纳出优化的空间机械臂柔顺抓捕控制策略。本研究期望为空间机械臂柔顺抓捕技术的研究提供思路。     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法,首先回顾了图像分类技术的发展历程,接着介绍了图像识别技术中的分类器,并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用,详细阐述了多种图像分类技术,具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时,对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后,从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

融合背景图像信息和多特征压缩的相关滤波跟踪算法

针对相关滤波类跟踪算法目标背景图像信息利用率较低、目标特征表达能力较弱的问题,提出了一种融合背景图像信息的多特征压缩跟踪算法。首先,在上下文感知滤波器的基础上,将背景图像信息加入位置滤波器。其次,提取颜色名(Color Name, CN)特征与梯度直方图(Histogram of Oriented Gradient, HOG)特征,使用最大响应因子及平均峰相关能量(Average Peak-to-Correlation Energy, APCE)评估跟踪结果的可信度,实现两种特征的自适应融合。最后,利用特征降维简化模型的复杂度,实现算法运行速度的提升。实验结果表明,改进后的算法在遮挡、形变、尺度变化等复杂环境下均具有较高的鲁棒性,其跟踪精度和成功率指标均优于DSST及其他主流的跟踪算法,并且仍保持了实时性。     

雷达海杂波时频谱特性分析

针对海杂波背景下目标检测问题的实际需求,整理分析了STFT、WVD、PWVD和SPWVD 4种常见时频分析方法及其优缺点,并基于实测数据对海杂波的时频处理结果进行了对比分析。分别对纯海杂波单元和目标单元实测数据进行处理,将利用4种时频分析方法得到的结果进行对比、分析和总结。对4种方法在时频分辨率、目标能量积累程度、对海杂波抑制能力和平滑程度上各自特点进行分析,并总结得到相应的结论。     

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LDRA Testbed的主机/目标机 测试方法研究

DO-178B要求验证机载软件在目标机环境中正确运行,所以必须在受控的真实测试环境中运行插桩代码,提出基于LDRA Testbed的主机/目标机测试方法。介绍该方法的提出背景、原理、通信方式、面临的问题和测试环境的构建,构建方法减小因插桩引起的源代码膨胀和干扰时序的影响,并在测试环境中创建延时取回的算法以获取累积的历史记录文件,最终得到有效的动态覆盖率测试报告。从软件的健壮性和可靠性层面上有效提高机载软件的质量。     

基于区间协同拍卖策略的改进多Agent车间调度模型研究

基于合同网协议的传统多Agent方法 (Traditional Multi-Agent Way,TMAW)求解作业车间调度问题,一般以单一的完工时间为优化目标,忽略了调度多目标性的要求;同时,招投标机制下Agent之间的任务优化分配本质上是单步优化,优化区间过小导致对系统整体调度性能的提升非常有限。针对上述问题,重新规划了多Agent调度模型,提出一种区间协同拍卖的动态调度策略(Interval-Synergy-Auction Scheduling Strategy,ISASS),该策略实现了一定时间窗口内时间、成本、设备负载和能耗的全局多目标优化,并可通过设置权重系数来调节优化目标倾向,很好地规避了上述传统多Agent方法的不足。最后,通过仿真测试验证了上述策略的高效性,同时研究了不同时间窗口和权重系数对调度性能的影响,可较好地指导实际生产。     

基于人工神经网络的多模型目标跟踪算法

针对在目标跟踪中单模型跟踪算法难以应对目标运动形式的变化,而多模型跟踪算法存在结构固定、跟踪精度被非匹配模型削弱且模型切换缓慢的矛盾,文章提出了一种基于人工神经网络的多模型目标跟踪算法。通过分析目标几种基本运动模式的轨迹特点,归纳出目标运动轨迹的特征向量。利用训练好的BP神经网络对滑窗里的轨迹段进行运动模型识别,按结果进行跟踪模型切换,达到使跟踪算法实时适应目标运动状态的目的。仿真结果证明了该算法的有效性,且与传统的多模型算法相比,具有结构更加简单、更强的灵活性和拓展性的特点。