SINS外场系统级标定方法的优化——最佳六位置

静态多位置标定问题,不同位置编排方式会影响辨识精度.针对六位置标定方法,通过建立位置编排与惯组9个误差参数(加速度计零偏、标度因数误差和陀螺零偏)标定精度之间的关系,将惯组位置编排问题转化为Fisher信息矩阵的优化问题,并在A-最优、D-最优和E-最优3个优化指标下,给出了惯组位置编排的最优方案,通过仿真与满足可辨识条件的一组位置编排比较,结果表明最优方案能够提高加速度计零偏和标度因数误差的标定精度.      

用于复杂装备费用驱动因子筛选的灰色凸关联模型

针对复杂装备费用预测中样本少和费用影响因素繁多的问题,分析以往灰色关联度的缺陷,运用改进的灰色凸关联度建立费用影响因素与费用之间的灰色关联模型。依据灰色凸关联度的大小和接近程度筛选费用驱动因子,利用所选择的驱动因子建立多元回归模型。与已有文献中的方法进行对比,结果表明本文方法具有较高的预测精度,说明改进的灰色凸关联度模型能够诊断复杂装备费用的关键影响因素。     

基于小波尺度函数的WSK-SV算法 及其气动性能预测

提出了一种将小波的尺度函数与SV(support vector)算法相结合的WSK-SV(wavelet scaling kernel-support vector)新算法,并将Daubechies小波以及Shannon小波的尺度函数分别构成尺度核函数,而且分别作为SV算法中一个可容许的支持向量核函数使用.该算法充分利用了Daubechies小波函数的紧支集与正交等特点以及小波的MRA(multi-resolution analysis,多分辨分析),并注意了尺度核函数能够满足Mercer条件.该算法除了具有通常SVM(support vector machine)所具有的优点外,还具有很好的收敛性以及泛化能力,能够有效地提高学习与预测效率.典型算例选取了不同的小波尺度函数,数值计算表明:在一维、二维和三维问题中,这些小波的尺度函数均可以用于WSK-SV算法,进而显示了这个新算法的可行性与通用性.      

一种凹多边形凸分解的全局剖分算法

提出了一种凹多边形凸分解的全局剖分算法。首先对局部剖分算法的原理及存在的问题进行了阐述,并对基于正负法搜索可视点串的算法进行了更正和改进,然后利用改进的权函数从全局剖分的角度选择最优的剖分点进行剖分。同局部剖分算法相比,提高了剖分后所得的多边形形态质量。该算法主要作为轮廓偏置算法的前期处理算法,对原轮廓进行分解,提高了原轮廓多边形进行轮廓偏置算法的运行效率。     

超椭球凸集合可靠性综合指标定义及求解方法

针对失效域与超椭球凸集合发生干涉与不发生干涉两种情况下,超椭球凸集合非概率可靠性与非概率可靠度两种指标各自存在的不足,将两指标相结合提出多个超椭球凸集合描述时的可靠性综合指标定义,并提出将改进的有限步长迭代法(MLSA)与Monte-Carlo法结合来求解综合指标的方法.MLSA是在有限步长迭代法的基础上提出的,根据增...     

基于不规则障碍物环境下无人机的改进几何路径规划算法

随着无人机应用环境的多样化,在复杂环境中寻找无碰撞路径是非常重要的。传统的路径规划算法可以找到可行的路径,但它们在时间效率和路径长度之间没有很好的平衡,传统的几何算法只能避免特殊形状的障碍物。提出了一种改进的几何路径规划算法,使无人机能够在复杂的环境中避开任意形状的障碍物,找到较短的路径。首先,针对不规则障碍物,建立了凸多边形覆盖模型。然后解决了传统几何算法陷入局部最优解的缺点。提出了从相邻路径段生成无碰撞路径的二次规划思想,并针对该方法提出了一种新的安全阀值策略。最后,为了验证算法的性能,在不同的复杂环境下进行了仿真,并从几个方面对所提出的算法与A*算法进行了对比分析。     

序列凸优化的小天体附着轨迹优化

针对小天体附着多约束轨迹优化问题,提出一种基于序列凸优化的轨迹优化方法。首先采用内球谐引力场模型对目标小天体附近的不规则引力场进行精确建模,内球谐引力场模型是对经典球谐系数法的改进,形式简单,计算量小,并且克服了经典球谐系数模型在形状不规则的小天体附近不收敛的问题。对于小天体附着多约束轨迹优化问题,通过约束松弛、线性化、离散化过程,转化为一个可以迭代求解的二阶锥规划问题（SOCP）,进而采用内点法进行解算。数学仿真结果显示,优化结果符合各项约束条件,以零速度到达了目标着陆点,且符合燃耗最优的优化目标。利用序列凸优化算法进行小天体附着燃耗最优轨迹设计,推导简便,计算速度快,精度高,具有应用价值。     

基于群决策层次分析法的 潜射反舰导弹武器系统作战效能评估

文章着眼于潜射反舰导弹武器系统组成和作战过程,构建了较为全面的武器系统作战效能评估指标体系,应用群决策方法对层次分析法进行改进,采用Hadamard乘法凸组合对不同专家的判断矩阵进行集结来确定指标权重,克服了传统层次分析法易受个人偏好影响、评价结果不够客观的弊端。同时,针对效能指标的模糊、不确定性,运用灰色系统理论进行定量化处理,实现了定性与定量评估的转换,建立了集中群决策层次分析法和灰色理论两者优点的效能评估方法。实例表明,该方法切实可行,能够提高评估的准确性。     

基于序列凸规划的运载火箭轨迹在线规划方法

针对大气层内气动力对轨迹规划求解实时性与收敛性的影响,提出一种基于模型补偿序列凸规划的大气层内火箭轨迹规划方法.该方法的核心思想是通过设计一种序列补偿的方式,将火箭动力学中非线性项(气动力加速度与重力加速度)与过程约束项(动压、过载约束等)进行凸化,从而将轨迹规划问题转化为序列凸规划问题而得到快速求解.在此基础上,本文...     

Asymptotic Performance of Sparse Signal Detection Using Convex Programming Method

The detection of sparse signals against background noise is considered. Detecting signals of such kind is difficult since only a small portion of the signal carries information. Prior knowledge is usually assumed to ease detection. In this paper, we consider the general unknown and arbitrary sparse signal detection problem when no prior knowledge is available. Under a Neyman-Pearson hypothesis-testing framework, a new detection scheme is proposed by combining a generalized likelihood ratio test (GLRT)-like test statistic and convex programming methods which directly exploit sparsity in an underdetermined system of linear equations. We characterize large sample behavior of the proposed method by analyzing its asymptotic performance. Specifically, we give the condition for the Chernoff-consistent detection which shows that the proposed method is very sensitive to the 2 norm energy of the sparse signals. Both the false alarm rate and the miss rate tend to zero at vanishing signal-to-noise ratio (SNR), as long as the signal energy grows at least logarithmically with the problem dimension. Next we give a large deviation analysis to characterize the error exponent for the Neyman-Pearson detection. We derive the oracle error exponent assuming signal knowledge. Then we explicitly derive the error exponent of the proposed scheme and compare it with the oracle exponent. We complement our study with numerical experiments, showing that the proposed method performs in the vicinity of the likelihood ratio test (LRT) method in the finite sample scenario and the error probability degrades exponentially with the number of observations.