云技术在飞行试验数据处理中的应用

针对飞行试验数据的海量非结构化的特点以及当前所面临的处理与应用问题,研究分析当前新兴的云技术,提出了飞行试验数据云计算应用架构的3个组成要素:设备系统、云存储和云计算。面向试飞数据工程应用,以试飞科目、试验动作段为频度矩阵建立试飞元数据存储阵列,实现海量非结构化试飞数据的云存储应用;以SOA架构为基础,结合面向应用的处理功能组件,实现分布式网络计算调度和计算群集,为用户提供高效的云计算服务。工程实践应用表明,该系统以灵活架构有效地解决了非结构化大数据信息的高效存储、统一管理和共享应用,实现了海量试飞数据的快速分析处理,展示了云计算技术的先进特点。     

基于新息偏差的观测奇异值自适应滤波算法

针对在机动目标跟踪过程中出现的观测奇异值,提出了一种对观测奇异值进行自适应滤波的算法。依据多传感器数据形成的对目标状态参数的正确描述和测量数据集合主体的变化趋势,利用新息偏差(innovation deviation)实时、准确地识别测量数据中的奇异点,并进行自适应滤波。仿真结果表明,在分布式多传感器目标跟踪的航迹融合处理中,该算法可以快速、有效地解决奇异值自适应滤波的问题。     

基于决策距离的分布式多传感器动态分组算法

飞行试验中多传感器测量系统中因类型、精度以及空间位置的变化,导致在数据融合时往往不能得到最优测量精度;提出了一种新的分布式多传感器目标跟踪分组融合算法,即利用模糊理论中的决策距离(Decision Space)思想,对飞行试验目标跟踪的多传感器系统进行动态分组(Dynamic Grouping),通过定义多传感器之间的关系矩阵(Relation Matrix),依据判别门限(Threshold)判定其是否参与最终处理,据此以获得在分布式多传感器目标跟踪测量系统中目标跟踪测量的最佳融合数据精度;仿真结果证明,该算法是一种有效的分组算法.     

水平门限同积模型参数的拟极大似然估计

提出了用于非平稳非线性时间序列建模的水平门限同积模型,给出了模型参数的拟极大似然估计,由于对门限参数和同积向量似然函数既不可微也不光滑,不能直接运用传统的极大似然估计．因此首先利用遗传模拟退火算法估计门限参数和同积向量,然后用极大似然估计计算其余的参数,仿真结果表明,拟极大似然估计不受模型维数限制具有有效性和可行性,此外,数值计算结果的比较分析表明遗传模拟退火优于传统的遗传算法、模拟退火和随机搜索等优化算法．     

基于原生XML数据库的加密问题研究

原生XML数据库实现了大量XML文档的有效管理和快速查询,但是安全问题不可避免。论文给出了基于原生XML数据库加密系统的实现体系结构,提出了实现时要解决的几个关键问题,并给出了解决办法。