机载光电传感器图像融合识别的D-S证据理论方法

针对机载光电传感器获得的图像信息的不确定性与模糊性,提出利用D-S证据理论对多图像传感器信息进行融合处理的方法.首先对各图像传感器获得的同一场景图像分别进行预处理,然后对预处理后的图像提取其矩特征,通过与目标图像数据库中图像特征的对比分析,利用灰色系统理论方法获取各传感器的基本概率赋值,最后根据D-S证据理论的组合规则与决策规则获得多图像传感器的融合识别结果.仿真结果表明该方法能提高目标识别的准确度,降低传感器获取的信息的不确定性.     

台阶和扩张形式对超燃燃烧室影响的数值研究

采用二阶迎风差分格式、RNG k-ε湍流模型及乙烯/空气八组分九反应化学反应模型,针对单台阶单面扩张、单台阶双面扩张、双台阶单面扩张以及双台阶双面扩张四种超燃冲压发动机燃烧室构型,分别计算了燃烧室内冷流流场和燃烧流场.计算结果表明:在计算条件,在总台阶高度一定的条件下,采用单台阶结构的超燃燃烧室比采用双台阶结构的超燃燃烧室具有更好的燃烧性能;在总扩张角一定的条件下,双面扩张结构的超燃燃烧室性能较单面扩张的占优势.     

基于Agent的建模与仿真概述

基于Agent的建模与仿真(ABMS)是研究复杂系统的有效途径和建模仿真方法学,足当前最具有活力、有所突破的仿真方法学,已经成为系统仿真领域的一个新的研究方向.全面总结和阐述了基于Agent的建模与仿真的相关理论基础和概念,包括CAS理论,ABMS中Agent的概念、结构;阐述了ABMS的原理(简单规则导致复杂的行为)与研究步骤;总结了ABMS的主要应用领域,包括经济领域、社会科学领域和军事领域;慨述了ABMS软件开发平台和工具包,给出了ABMS开发方法;给出了互联网上关于ABMS的的资源链接.因而有利于全面认识、应用和研究ABMS.     

毁伤概率评估的加权蒙特卡洛方法

由于经典蒙特卡洛方法的仿真效率不高,文中利用概率论和数理统计的基本原理,可以推导得到加权蒙特卡洛方法.加权蒙特卡罗方法不但能有效的缩小了样本方差,还能提高目标事件出现概率,相当于提高了样本的抽样效率,从而提高了仿真效率.与此同时,文中分别利用经典蒙特卡洛和加权蒙特卡洛这两种方法对典型目标进行了仿真计算,仿真计算最终证明了加权蒙特卡洛方法的仿真效率明显优于经典蒙特卡洛方法,能使仿真工作量成数量级的衰减.     

针对模糊效应的卫星图像质量评价模型研究*

为了实现景象匹配制导应用中对图像数据源质量的客观评价,针对卫星图像的模糊效应,研究了影响图像质量的清晰度评价指标,通过分析比较其对图像匹配过程的影响,挑选出有效指标作为评价因子;通过对大量实验数据特性的统计,结合线性回归分析,提出了基于假设检验的权值拟合算法,完成了各指标贡献率（即权值）的求解;进而建立了面向匹配制导应用的图像质量评价模型。实验表明,该模型具有良好的单调性和稳健性,在匹配制导中能对图像质量进行有效评定,对把握卫星基准图像源质量具有重要现实意义。     

军队院校网络教学模式的探索

介绍了军队院校网络教学水平现状,提出了基于军队院校进行网络课程建设的规划和教学组织方法,并针对军校学员的教学模式进行了探讨。     

基于网络理论的固伴火箭发动机纤维缠绕壳体优化设计

基于网络理论按爆破压强设计的纤维缠绕壳体基本方程,在结构、工艺等约束条件下,选取不同纤维材料,以壳体质量为目标,利用线性多步法和复合形法,优化设计纵向层平面缠绕、圆筒部分在环向缠绕的固体发动机纤维壳体的材料密度、纤维拉伸强度、缠绕角和极孔半径,并给出算例。计算表明,比强度是影响纤维壳体质量的最重要因素。     

具备目标重定向能力的自适应再入制导律

将再入弹道跟踪问题转化为再入弹道状态调节问题,得到了一个LTV系统最优控制问题,在此基础上,利用基于伪谱算法的最优反馈控制算法,设计了一种便于在线实现的自适应鲁棒再入制导律.仿真结果表明该制导律在改变参考轨迹后依然能够较好地跟踪新的参考弹道,具备较好的动态性能和再入制导精度,而且不需要显示积分和显示增益调度.     

热喷涂镍-铬基涂层的高温氧化性能

为了提高钢体结构材料的高温氧化性能,采用超音速电弧喷涂技术和微弧等离子喷涂技术,在45钢基体上分别制备了Ni-Cr基涂层和Ni-Cr/ZrO2复合梯度涂层,对45钢基体、Ni-Cr基涂层和Ni-Cr/ZrO2复合梯度涂层进行了1100℃高温氧化实验,采用热重分析(TGA)、X射线衍射(XRD)、扫描电镜(SEM)等方法研究了涂层的氧化性能.结果表明,Ni-Cr基涂层和Ni-Cr/ZrO2复合梯度涂层高温氧化后,表面组织结构致密,与45钢基体相比,具有更优良的抗高温氧化性能.     

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。