基于序列趋势和集合距离的UAV态势相似性度量方法

在无人机（UAV）自主作战与智能决策的过程中，无人机获取的新态势与历史态势的相似性度量是态势评估与作战决策的重要环节，而现有的相似性度量方法主要处理离散时刻态势，采用的欧式距离等方法对数据敏感，不符合作战态势特性，且处理效率低下，针对该问题，提出基于序列趋势和集合距离的UAV态势相似性度量方法。该方法首先选取UAV作战态势要素并以时间序列形式表征数据；然后，使用经验模态分解方法提取历史态势与新态势的序列趋势以度量序列趋势的相似性；最后，对趋势相似的每条态势序列进行自组织映射聚类，得到若干聚类中心构成集合，利用最优子模式分配距离度量集合间的距离，提取集合距离较小的部分获得与新态势相似的历史经验态势。通过公用数据集的分类效果比对实验以及作战仿真态势的相似性度量实验，表明该方法能够有效度量两序列之间的相似性程度，度量效果好，分类实验中分类精度较传统方法最高提高18%，且方法简便，具有一定的实用价值。     

基于Windows平台的嵌入式仿真适配技术研究

嵌入式操作系统因其强大的实时性能而被广泛采用,特别是在需要实时通信和任务处理的大型系统中。然而嵌入式操作系统的高价格和不友好的用户界面限制了应用范围。作为一种发展趋势,在通用桌面操作系统(如Windows和Linux)上构建实时应用程序、充分利用其友好的图形用户界面、具备良好的多任务处理性能和出色的硬件兼容性对提高普通桌面操作系统的实时性具有重要意义。在Windows系统上进行实时扩展,以改进其调度和任务处理兼容性。实验结果表明,该扩展对任务处理有很好的效果,可满足应用程序的实时性要求。     

Menger PM-空间上复合映射不动点定理的推广

设（X，F，△）和（Y，－↑F，△）是两个完备的MengerPM－空间，△是连续的H型t－范数，函数Φ（t）满足条件（Φ1)，本文在映射T：X→Y和S：Y→X满意更一般的条件下给出了关于复合映射TS和ST的不动点定理。这一定量进一步推广了Fisher,Sehgal和Bharucha-Reid等的有关结果，也是作者“MengerPM－空间上复合映射的不动点定理”一文的一般推广，最后给出了几个有用的结果作为本文主要定理的推广论。     

多余度机载系统消息映射与配置的改进设计

针对基于ARINC653操作系统的多余度机载系统消息映射和配置传统设计方法工作量大,维护困难的缺陷,提出一种改进的设计方法,以减少传统设计方法的复杂性,有效提高消息映射和配置设计的效率,增强系统的维护性.     

德诗生活 交织的乐趣

在这个多元化的时代中,我们注定不愿只做单选题。就如同我们既能沉醉于夜晚耀眼的霓虹,也会偶尔迷恋于那片蓝色宁静的星空,每个人都有很多面,这在选择时尚消费品的态度上也     

无人机载SAR一体化显控系统的设计研究

阐述了无人机载SAR一体化显控系统的设计,对系统实现中应用到的一些关键技术进行了详细说明,就多位面技术、多线程技术及内存映射技术进行了探讨。     

基于混合策略的麻雀搜索算法改进及应用

针对麻雀搜索算法(SSA)搜索精度不高、全局搜索能力不强、收敛速度慢和易于陷入局部最优等问题，提出了一种基于混合策略的麻雀搜索算法(HSSA)。采用改进的Circle混沌映射初始化种群，提高种群多样性；结合樽海鞘群算法改进发现者的搜索公式，提高算法迭代前期的全局搜索能力和范围；在加入者的搜索公式中引入自适应步长因子，提高算法的局部搜索能力和收敛速度；通过镜像选择机制，提升每次迭代后的个体质量，提高算法的寻优精度和寻优速度；在位置更新处加入模拟退火机制，帮助算法跳出局部最优。利用8种测试函数进行测试，结果表明，改进算法比SSA有更好的寻优性能。将改进前后算法与极限学习机结合进行实验，人体表面肌电信号数据集的分类预测精度从80.17%提高到90.87%，证实了改进算法的可行性和良好性能。     

变批次长度的非线性分布参数系统迭代学习控制

针对一类离散的非线性分布参数系统,提出了一种批次长度随机变化的迭代学习控制问题.该类系统由抛物型偏微分方程构成.该方法采用伯努利型随机变量来描述迭代长度随机变化的情况,并根据分布参数系统的性质以及P型分布更新控制算法设计了迭代学习控制器.基于压缩映射原理,给出了系统输出误差收敛的充分必要条件并加以证明.结果表明,所提出...     

ω混沌与伪移位不变集

就紧致度量空间的连续自映射 ,研究了具有半伪移位不变集与 ω混沌的关系。证明了若 f有半伪移位不变集 ,则 f是ω混沌的且存在不可数集 S R(f ) - R(f ) ,其中 S既为 f的ω紊乱集又为 f的 L i- Yorke意义下的混沌集。进而导出一维映射 f拓扑熵大于零的充要条件是存在正整数 n,使得 fnω混沌且存在 fn 的不可数的 ω紊乱集 S R(f) - R(f)