基于数据库的收缩型航迹聚类模型仿真研究

针对传统聚类算法只能选取少量数据源进行仿真分析,得到的聚类效果不能真实体现数据流的宏观特征的问题,考虑了海量航迹数据中的离群点检测以及离群点剔除,提出一种新的基于数据库的收缩型航迹聚类仿真模型,将三维空间网格化,建立K-means聚类和层次聚类双重交互算法,对网格中的离群点进行识别并剔除.解决了航迹聚类中的关键技术问题.通过对西北地区3 G海量二次雷达数据的聚类仿真分析,使航迹聚类仿真的耗时从h级降低至s级,并且得到的航迹分布特征清晰,验证了新模型对于海量数据宏观特征提取具有可行性和优越性,模型和算法对全国二次雷达航迹数据仿真具有借鉴意义.     

被动雷达导引头对双噪声源的分辨与跟踪

研究比幅体制反辐射导引头在主波束内受到双噪声调频干扰源干扰的情况,对角误差信号采用聚类分析,将两噪声源分辨开来,并对其中一个噪声源进行稳定的跟踪.     

深成份指数的灰色行业聚类关联与预测模型研究

本文应用系统工程理论,结合灰色趋势关联度,研究了灰色趋势关联系统及数学模型。作为该模型的应用,提出了灰色趋势关联聚类预测方法。以深成份指数为样本对各类行业进行了聚类分析,得到了一种符合实际的聚类预测结果,阐明了灰色趋势关联聚类预测方法的有效性、方便性和实用性。     

一种基于聚类分析的边带跟踪判决门限的确定

通过对窄带测角系统跟踪双噪声调频干扰信号合成边带时测角数据的分析,建立了一种边带跟踪情况下干涉仪鉴相器测角数据分布的数学模型.在用绝对误差和最小聚类算法提取角信息的基础上,推导出了一种基于聚类分析的绝对误差和门限的计算方法.理论分析和计算机仿真均证实了其用于边带跟踪判决门限的合理性与可行性.     

一种适用于气动优化的高效自适应全局优化方法

随着设计空间的增大和优化问题非线性程度的提高，基于代理模型的优化（SBO）过程收敛越来越慢，并且在局部勘测上呈现不足。本文发展了一种高效自适应全局优化方法，在整个样本细化迭代过程中采用变设计空间取样：即在每一步样本细化迭代过程中，利用当前设计空间中的样本建立代理模型，并且根据样本的内部特征，利用模糊聚类算法将该设计空间分割成几个子空间，然后在每个子空间内通过最大化目标函数的期望提高函数和最小化模型预测目标来增加新的样本，之后对子空间进行融合更新设计空间。6个解析测试算例的结果表明，所发展的方法相比于一般的代理模型优化方法，具有更好的鲁棒性以及全局探索和局部勘测能力，更适用于具有强非线性和多极值的优化问题。RAE2822气动优化实例表明，所发展的方法在处理工程实际问题时，仍然能够保持很好的效率、鲁棒性和自适应性。     

基于模糊聚类的不同机型分类方法研究

随着航空业飞速发展,飞机的种类越来越多,如何对不同机型进行归类,使飞机的设计、制造、使用、维护、保障等工作变得更加高效,是制造商和运营商亟待解决的问题。文中把飞机设计性能特征指标加以解析化和数量化,给出了模糊聚类分析对不同机型的分类计算方法,并实例分析,得到了不同机型的在不同水平下的相似关系。从而为不同机型的归类、相似机型的选择提供了一种方法,也可以作为飞机设计、营运信息、备件设施共享的依据,该方法可以综合机型多种特征,增强了不同机型分类的精确性、客观性和合理性。     

基于波位聚类的相控阵雷达群目标调度模型

如何有效分配有限的能量和时间资源,从而实现大量密集群目标的跟踪测量,是相控阵雷达资源调度面临的难点问题。在采用基于最小期望时间和时间槽优先占用的自适应资源调度模型的基础上,论述了基于波位动态聚类及分区识别算法的相控阵雷达群目标调度模型,详细描述了群目标调度流程图。群目标调度模型根据距离门宽度、方位俯仰波束宽度、目标速度、航迹预测误差和点迹测量误差等确定群目标的分区位置及大小,自动实现群目标的聚类和跟踪。仿真分析表明:该模型能够适应目标群的动态演化过程,实现群内外所有目标的独立跟踪,有效节约群目标跟踪时的资源开销,并已在实际工程应用中得到了验证。     

用模糊聚类算法快速定位小卫星在轨运行故障

针对小卫星在轨系统复杂，监测点众多以及测量信息固有的不确定性等特点，采用一种 化的模糊Ｃ均值聚类算法快速定位在轨运行故障，并以哈尔滨工业大学卫星工程技术研究所研制的立体测绘微小卫星为背景以达到实际应用的目的。     

面向无人机蜂群的航电云多层任务调度模型

在航空作战体系中，基于航电云的无人机（UAV）蜂群作战是提高未来无人机综合作战能力的一种新模式。针对无人机蜂群作战的航电云架构，如何将云端作战任务派发到无人机且保证作战任务完成时间是其中关键。在无人机蜂群分层分簇网络结构和模块级资源虚拟化的基础上，对传统单层平台级任务调度模型进行改进，提出了一种细化到模块级的多层任务调度模型，将作战任务从云端逐层调度到无人机功能模块上执行。利用OMNeT++对无人机蜂群多层任务调度模型以及传统的单层任务调度模型分别进行仿真，云端以攻击使命组为例构建使命组集进行分配，并对任务吞吐量、消息平均端到端延时和任务完成时间进行性能对比。仿真结果表明：与平台级单层任务调度相比，在执行任务方面，模块级多层任务调度模型将单个任务平均完成时间降低了46.2%，将使命组完成时间降低了52.1%，在保证任务吞吐量的基础上具有对复杂任务更稳定的调度能力；在网络性能方面，模块级多层任务调度模型消息端到端延时更低，延时分布更集中，提高了网络消息传输的实时性。     

Empirical analysis of airport network and critical airports

Air transport network, or airport network, is a complex network involving numerous airports. Effective management of the air transport system requires an in-depth understanding of the roles of airports in the network. Whereas knowledge on air transport network properties has been improved greatly, methods to find critical airports in the network are still lacking. In this paper, we present methods to investigate network properties and to identify critical airports in the network. A novel network model is proposed with airports as nodes and the correlations between traffic flow of airports as edges. Spectral clustering algorithm is developed to classify airports. Spatial distribution characteristics and intraclass correlation of different categories of airports are carefully analyzed. The analyses based on the fluctuation trend of distance-correlation and power spectrum of time series are performed to examine the self-organized criticality of the network. The results indicate that there is one category of airports which dominates the self-organized critical state of the network. Six airports in this category are found to be the most important ones in the Chinese air transport network. The flights delay occurred in these six airports can propagate to the other airports, having huge impact on the operation characteristics of the entire network. The methods proposed here taking traffic dynamics into account are capable of identifying critical airports in the whole air transport network.