基于概率数据关联的地磁匹配算法

针对轮廓匹配算法存在的虚定位问题,在轮廓匹配算法的基础上,提出了一个新的分批地磁匹配方法——基于概率数据关联滤波的地磁匹配算法。算法把满足一定条件的相关值作为滤波器的有效量测,把巡航导弹的位置作为状态变量,建立了基于概率数据关联的地磁匹配模型,利用概率数据关联滤波算法计算巡航导弹的位置坐标。仿真结果表明,该算法有效地降低了虚定位发生的概率,正确匹配率、导航效果均优于轮廓匹配算法。     

单机吊放声呐应召反潜探测概率的计算与优化

研究了在该模型下应召反潜辅助决策系统规划的多个定测点的探测概率的计算方法,并对计算方法进行了优化。经工程实际应用,具有速度快,结构简单等特点,具有实用价值。     

基于匹配模板的雷达信号快速识别系统设计

雷达采用低截获概率(LPI)技术之后,特别是在低信噪比条件下,传统的雷达信号识别方法将暴露出对弱信号无能为力、识别率低等缺陷.针对这些问题,设计了基于匹配模板的雷达信号快速识别系统,介绍了系统设计的基本思路,提出了敏感参数这一概念,保证了正确识别率.以线性调频信号为例制定了相应的匹配识别准则,通过仿真实验验证了该准则的有效性和该系统的可行性.在信号受到噪声污染的情况下,该系统对线性调频信号的识别信噪比可以达到-6dB.     

LEO卫星通信系统模糊逻辑动态位置区方案

文章在基于自主定位的动态位置区方案的基础上提出了模糊逻辑动态位置区方案,通过对用户在给定时间内运动模式的判定来动态改变用户的更新半径,并仿真比较了用户在不同初始更新半径下两种方案的更新和寻呼开销,以及用户在不同模糊逻辑统计时间下的更新和寻呼开销。仿真结果表明用户在该方案下的位置管理总开销相对于普通动态位置区有了明显的降低,提高了位置管理效率。     

基于极值理论的平尾结冰飞行风险评估

提出了结合极值理论与Copula模型来量化评估平尾结冰条件下飞行风险概率的方法。通过建立人-机-环复杂系统模型,对平尾在进近与着陆过程中的结冰情形进行仿真,采用蒙特卡罗法提取平尾结冰极值参数,验证了所提取极值参数符合一维广义极值（GEV）分布,根据飞行风险的定义和相关安全性准则,建立了平尾结冰飞行风险发生的判定条件,计算得出一维极值飞行风险概率;在此基础上选取Copula模型来描述二维极值参数的相关性,对多种Copula模型的未知参数进行辨识,通过拟合优度检验对精度进行验证,得出Joe Copula模型对二维极值分布的描述最为准确,运用Joe Copula模型计算出二维极值飞行风险概率,有效解决了一维极值具有的局限性。所提方法对飞行安全评估等理论有一定参考价值,能为平尾结冰飞行事故的预防提供分析和检验依据。     

基于图像特征分析的物体轮廓提取

对物体的轮廓进行分析提取,是计算机视觉方向的基础问题之一,对其进行研究对于复杂场景的分析理解至关重要。本文对室内场景图像进行研究,基于图像特征进行图像分割,提取物体轮廓。在彩色场景图像全局轮廓后验边界概率（gPb）提取算法的基础上,加入深度图像信息,对室内场景的彩色、深度（RGB-D）图像中的物体轮廓进行分析。通过多尺度信息融合,计算得到多尺度轮廓后验概率（mPb）和谱后验概率（sPb）,两后验概率加权综合得到gPb。而后结合超度量轮廓图与分水岭算法,对基于方向特征变化的gPb图像融合处理,最终得到清晰的物体轮廓。本文所提方法在通用的RGB-D数据库基础上进行实验。实验结果表明,本文所提出的方法能提取出清晰的室内物体轮廓图。      

基于区间分析法的防冰引气管路系统故障树分析

针对防冰引气管路系统故障树分析中底事件故障率和概率统计信息的不确定性,基于区间分析法开展某型飞机防冰引气管路系统可靠性评估。根据防冰引气管路系统原理和故障发生机理建立系统的故障树,并采用区间概率来描述底事件失效概率的不确定性。计算结果表明:区间分析法在分析防冰引气管路系统故障树时只需要底事件失效概率的取值范围,而不要求其详细的概率统计信息,因而其适用面更广,更适合实际工程问题的需要。     

结构可靠性灵敏度因子的新标准化指标

鉴于以往可靠性灵敏度在不同算法下数值差异性较大,可靠性灵敏度数值仅能进行简单的重要性排序,数值本身难以反映出基本变量对输出不确定性的影响程度,提出了标准化灵敏度因子及标准化灵敏度因子向量。据此,其分量不仅反映了基本变量对输出不确定性的影响,还袁征了此变量在全部变量中对输出不确定性的重要性程度,在数值上具有明确的物理意义,进一步在线性机构条件下推导出标准化灵敏度因子的具体求解公式。经数值算例分析,算法简单易行,运算量小,计算效率高。     

Particle flters for probability hypothesis density flter with the presence of unknown measurement noise covariance

In Bayesian multi-target fltering,knowledge of measurement noise variance is very important.Signifcant mismatches in noise parameters will result in biased estimates.In this paper,a new particle flter for a probability hypothesis density（PHD）flter handling unknown measurement noise variances is proposed.The approach is based on marginalizing the unknown parameters out of the posterior distribution by using variational Bayesian（VB）methods.Moreover,the sequential Monte Carlo method is used to approximate the posterior intensity considering non-linear and non-Gaussian conditions.Unlike other particle flters for this challenging class of PHD flters,the proposed method can adaptively learn the unknown and time-varying noise variances while fltering.Simulation results show that the proposed method improves estimation accuracy in terms of both the number of targets and their states.