食用太空食品安全吗？

航天育种技术是一种培育优良种子的新技术。是通过返回式卫星把农作物的种子带到太空环境当中，利用太空微重力、太空辐射、无空气等特殊环境，对种子诱发变异，返回地面选育新品质、新材料，培育出优质高产的新品种，从而在更大范围内促进农作物增产和农业持续发展。     

基于空间变异特性的格网电离层延迟估计方法

广域增强系统采用格网模型校正用户电离层延迟误差,为保证理想的校正效果,必须精确估计格网点电离层延迟。电离层延迟的空间相关性是完成这一估计的理论依据。针对传统反距离加权法因不能准确描述这种空间相关性而使得估计效果受限的问题,依据空间统计学原理建立了电离层延迟空间变异函数模型,提出一种新的权值计算方法,并通过实际观测数据进行了仿真验证。结果表明,相比于传统方法,这一方法能明显改善格网点电离层延迟估计效果,尤其在穿透点观测数据稀疏的区域,其改善效果更为明显。     

航天育种是转基因吗？

转基因食品安全性问题,正日益受到人们的关注。航天育种是不是也是一种转基因产品呢?在回答这个问题前,不妨先了解到底什么是转基因产品呢? 转基因产品是指科学家在实验室中,把动植物的基因加以改变,再制造出具备新特征的品种。许多人已经知道,所有生物的DNA上都写有遗传基因,它们是建构和维持生命的化学信息。通过修改基因,科学     

基于组合赋权和云模型的遥测系统作战适用性评估研究

针对遥测系统作战适用性评估问题,构建了基于组合赋权和云模型的评估架构。采用AHP (Analytic Hierarchy Process,层次分析法)、改进变异系数法和最小鉴别信息原理确立指标综合权重;运用云模型理论,进行“黄金分割法”标准云设计和相似度匹配,确定指标等级差异,查找了装备作战适用性短板弱项所在,为遥测系统升级革新及新装备（软件定义遥测系统）研制开发提供依据遵循。评估方法可为遥测系统作战效能、体系适应性、在役适应性等类似评估提供参考借鉴,不断提高装备复杂环境下适应能力。     

UAV发射平台调平系统的NSSCA-PID控制方法

PID控制器是目前实现UAV(Unmanned Aerial Vehicle)发射平台在复杂环境下的自适应调平的主要手段,其控制性能取决于参数整定的品质。基于经典的正弦余弦算法架构,提出了一种嵌入边界缓冲策略的邻域搜索正弦余弦算法(Neighborhood Searching Sine Cosine Algorithm,NSSCA)用于整定PID控制器参数。以单位阶跃信号作为调平系统输入,邻域搜索正弦余弦算法优化PID控制调平系统的上升时间为0.04 s,调整时间为0.106 s,最大超调量为5.44%,表明邻域搜索正弦余弦算法对PID控制器参数的整定效果优于Z-N法、遗传算法、灰狼优化算法和经典正弦余弦算法。     

基于量子搜索和高斯变异的MOEA/D算法

在实际应用中,尤其是在研究大规模决策空间的优化问题时,MOEA/D算法容易陷入局部最优。针对此问题,提出了一种基于量子搜索和高斯变异的MOEA/D算法。引入环境迁移模型,将两者进行并联,并且与原算法进行串联,利用量子搜索来提升算法的全局搜索能力,采用高斯变异位置更新方法保证算法的局部搜索能力。同时为了避免算法在迭代后期陷入"早熟"危险,提出了基于邻居位置的量子搜索,通过改变吸引点的生成方式,来加强量子搜索在迭代后期的局部搜索能力。结果表明:改进后的MOEA/D算法与原算法相比,提升了算法的搜索能力,也保证了算法的收敛能力。     

用谱斜率决定的加权法作变异语音特征理论方法及实验研究

变异语音识别技术是飞机座舱中语音识别系统必需解决的关建技术之一。一些成熟的民用语音识别技术难以解决此问题，因此，需找出适于变异语音的特征参数，用谱斜率决定的加权法作变异语音特征，又是本文在这方面的有益学试。     

用于快速仿真优化的改进差分进化算法及其应用

提出一种改进的差分进化算法,采用一种“位变”方法计算收缩因子,该方法首先根 据适应值对种群排序,然后根据各个体的排列位置确定收缩因子;采用正态分布函数对算法 参数进行随机扰动来维持种群的多样性;该算法还提出一种新的变异算子,并将其与基本的 差分变异算子结合使用以提高算法的寻优精度。经过对多个Benchmark函数的测试、分析和 比较,结果表明该算法具有较高的收敛精度和较快的收敛速度。最后将该算法用于火箭发动 机涡轮气动优化,以较小的计算成本将涡轮气动效率提高了2.5％。应用结果表明该算法 适用于快速仿真优化问题,能有效地节约计算成本。
     

基于CHC算法的无人机航迹规划方法

利用改进的遗传算法——跨世代异物种重组大变异(CHC, Cross generation Heterogeneous recombination Cataclysmic mutation)算法提出了一种无人机的航迹规划方法.初始种群即初始航线集利用具有启发式信息的搜索算法产生;适应度函数为距离指标与威胁指标的组合形式;选择操作群体为当前群体与上世代群体的群体总和,由于大个体群操作,可以更好地保持遗传多样性;交叉操作采用单点交叉方法,交叉点取为2条航线中距离最近的2个点;变异操作的步骤是:首先在航线中搜索出2个点,然后算出这2个点之间的直线距离与实际航线距离的比值,如果这个比值小于某一阈值则以这2个点为端点重新规划一条航线.由于考虑到了无人机约束条件的限制,从而避免了盲目性且加快了收敛速度.仿真结果表明该方法比基本遗传算法要快而且满足最优条件.