基于T-S模糊故障树的多态导航系统性能可靠性

考虑复杂多态导航系统在不同故障状态具有不同的性能可靠性,将T-S模糊故障树模型应用到多态导航系统性能分析中,以T-S模糊故障树表示系统的性能变量,映射为系统性能指标值,结合统计学中的期望思想,计算不同层次事件发生故障时系统的性能可靠性,并以典型的全球定位系统(GPS)和惯性定向定位导航系统(INS)相组合的导航系统进行分析建树,求解系统在多故障状态下的性能可靠性指标,并进行了实例分析。结果表明:无论底事件处于轻微还是严重故障状态,对系统性能都会产生影响,中间事件是导航系统的薄弱环节,即便是中间层轻微故障,也会引起系统性能可靠性较大的下降。      

复杂系统可靠性鉴定方法

为了确定系统可靠性的验前分布，本文采用蒙特卡罗方法，充公利用系统试验之前元件、整机、分系统的可靠性数据获取系统可靠性的验前分布。另外，本文所讨论的系统可以是非常复杂的系统，包括串联或并联系统、串并联系统及不同分布的模型组成的系统。     

快速成形制造质量研究

针对快速成形设备成形质量不高的问题，利用STL快速成型设备进行试验。进行了相应的实验设计，运用粗糙集理论对实验数据进行处理，得到了对快速成型制造质量有影响的各因素的显著性，并得到了改进加工质量的参数组合，详细阐述了该方法的原理及运用该方法进行分析的步骤。     

基于贝叶斯优化的无人机路径规划算法

提出了一种基于贝叶斯优化算法的无人机路径规划方法。把无人机路径编码为离散时间上的速度和航向变化序列，每一步的速度和航向变化量都限制在无人机相应最大变化量之内，所以这种编码方法对应的物理轨迹是无人机可飞的。利用每代种群中的优良解集构造贝叶斯网络，用贝叶斯网络的结构体现染色体基因位之间的联系，用贝叶斯网络参数体现染色体基因位之间的联系程度。设计了一个多变量K2度量评价网络的优劣。用贝叶斯网络产生新的染色体以体现种群的进化，这取代了传统遗传算法的交叉和变异过程。如果不满足终止条件，则用新一代种群的优良解集构造贝叶斯网络，直到满足终止条件。仿真结果验证了算法的有效性。     

小子样试验数据融合算法研究

从试验手段能力角度引入了可信度的定义,针对可信度改进了贝叶斯算法,同时把试验阶段内所有试验同等对待,推导出了多源数据融合算法,有效解决了大样本验前信息压制小子样现场试验的问题。     

运用贝叶斯判别分析防止"彼得现象"发生

分析了由于晋升候选人相对较多,不易把握好候选人,传统的方法难免会出现干部晋升的"彼得现象".而引入贝叶斯判别法则可以以具体、明确的量化标准,与定性分析方法相结合,完善晋升的考证机制,以量化的数据作为提出问题的依据、分析判断的基础和考察评估的尺度,为更加全面地做好干部的晋升选拔工作提供一种可行的辅助方法.     

一种基于多源数据的网络实体推断方法

网络空间中的实体推断是网络空间测绘研究的重要内容之一,主要通过综合多源数据实现对网络空间中各类实体的分类与识别。本文首先提出了网络空间的实体分类模型,基于此模型提出了一种低开销的网络实体探测分类方法。首先对于探测发现的IP地址,采用别名解析技术将属于一个设备的多个IP映射为一个网络实体;然后采用决策树对网络实体分类进行粗粒度分类;最后,再基于贝叶斯网络进行详细分类。为验证分类效果,以江苏省某市为例进行了探测分析并与备案数据进行了对比,试验结果表明该方法可以有效地对网络空间中的各类实体进行判别,从而为网络空间地图构建、态势分析等应用提供技术支撑。     

基于RS-CRITIC的空战目标威胁评估

针对不确定信息下的空战目标威胁评估问题,提出了一种基于粗糙集（RS）理论和指标重要性相关（CRITIC）法的目标威胁评估模型。首先,通过CRITIC法确定准确信息下的目标威胁值,利用数据挖掘（MD）启发式算法求解最佳分割集合,将目标威胁值离散化处理后替代粗糙集决策信息系统中的决策属性。其次,基于构建的完备粗糙集决策信息系统,通过决策矩阵实现属性约简和目标威胁评估最小决策规则提取。最后,将规则应用于不确定信息下的目标威胁评估。仿真结果表明:所提模型能够实现信息缺失下的目标威胁评估,减少了主观因素和先验知识的影响,扩展了粗糙集理论应用范围。      

复杂系统的Bayes可靠性评估

讨论了复杂系统的Bayes可靠性评估。首先，对各种不同分布类型的单元进行Bayes可靠性分析；其次利用最大熵方法把单元可靠性信息进行综合，得到系统可靠性的验前分布；最后根据Bayes定理，利用系统可靠性试验信息来更新系统可靠性的验前分布得到系统可靠性的验后分布，依据此验后分布对系统可靠性进行评估。仿真算例说明了评估方法的合理性。     

一种融合卡尔曼滤波的改进时空上下文跟踪算法

针对时空上下文跟踪算法对快速运动和遭受严重遮挡目标的跟踪精度下降问题,提出一种融合卡尔曼滤波的改进时空上下文跟踪算法。首先人工标记目标所在的矩形区域,然后利用改进的时空上下文算法对目标进行稳定跟踪,在跟踪过程中,基于连续两帧图像灰度的欧氏距离判定目标跟踪状态,当判定目标遭受严重遮挡时,利用卡尔曼滤波进行预测估计。算法对噪声有一定的容忍度,通过降低噪声对跟踪过程的影响,能够得到更优的目标区域。仿真实验结果表明:本文算法适用于不同光照强度下高速、高机动目标的稳定跟踪,并且对目标的尺度变化和短时严重遮挡具有鲁棒性。算法帧平均耗时为34.07ms;帧几何中心平均误差为5.43pixel,比时空上下文算法减少70.2%;目标轮廓面积平均误差为13.08%,比时空上下文算法减少52.7%。