基于D-S证据理论的多传感器目标识别信息融合方法

多传感器目标识别系统中多个信息源之间证据高度冲突时,采用传统的D-S证据理论进行信息融合有一定的缺陷。根据信息源间证据冲突的程度,提出了一种新的证据融合算法,该算法依据少数服从多数的原则,首先根据信息源间冲突程度的计算出各信息源权重,再采用D-S组合规则对加权后的信息进行组合。算例分析结果证明了该方法在用于多传感器目标识别系统的有效性和优越性。     

不确定信息下基于证据推理的武器系统戒备率评估方法

在对武器系统戒备率内涵分析的基础上,建立了武器系统戒备率指标体系.针对评估过程中需要处理大量定量或定性的模糊、未知等不确定信息的问题,构建了基于信度的戒备率评估模型,并提出了基于证据推理的武器系统戒备率评估方法.该方法能够综合处理各种定量、定性的不确定信息,最后运用该方法对某武器系统的戒备率进行了评估.     

基于预测跟踪星表提高星敏感器实时性的方法

为提高星敏感器在星跟踪失败时向全天识别模式转换的效率,提出了一种在星跟踪的同时,并行预测跟踪导航子星表的方法,以随时做好工作模式切换的准备,提高星敏感器实时性。设计了分层存储、逐层索引结构的导航星表,实现了均匀化筛选导航星、构建导航子星表及对数据快速搜索和处理;由飞行态数据预测下一时刻星敏感态,并通过星敏感器视轴指向与子星表地址之间的索引关系,预测跟踪子星表的地址;星跟踪失败时,全天识别在4个冗余子星表中完成,简化识别过程,提高了识别效率。实验结果表明,设计的导航星表较为科学、合理,预测跟踪星表方法具有较强的鲁棒性,在高动态条件下有效提高了星敏感器模式切换的实时性。     

灰色稀疏极端学习机在激光陀螺随机误差系数预测中的应用

为了提高激光陀螺的性能,有效地补偿激光陀螺的随机误差,提出了一种灰色稀疏极端学习机的预测新模型。为了克服极端学习机(ELM)训练样本缺乏稀疏性的不足,根据矩阵求逆引理实现了冗余样本递推剔除,提出了一种稀疏极端学习机;利用灰色预测模型对原始数据进行初步预测,将实测值与预测值生成残差序列,选取适当长度残差序列作为训练样本,剩余数据序列作为测试样本,输入稀疏极端学习机进行残差回归预测,将预测的残差值与灰色预测得到的数据结合生成最终的预测结果。将灰色稀疏极端学习机预测模型应用于某型激光陀螺随机误差系数预测实验中,结果表明:该模型能够取得比其他3种预测模型更加精确的结果。     

基于最优分解尺度的静态提升小波去噪方法

阈值函数选择和分解尺度确定是基于阈值的小波域非线性滤波的两个关键步骤。针对加性白噪声的情况,通过研究小波阈值去噪原理,得出了重构信号信噪比随分解尺度的单增变化规律,构造了用于指示最优分解尺度的目标函数;在分析白噪声小波系数高斯分布特性的基础上,提出了一种基于概率理论的阈值函数,通过极小化广义阈值估计偏差函数,得到了该阈值函数中参数的最优分布区间。仿真结果表明,构造的目标函数能够准确指示信号分解的最优尺度,广泛适用于硬阈值类函数;新阈值函数与另外两种改进型阈值函数相比,在信噪比意义下表现出一定的优越性。     

超级电容器用活性炭中钾离子的解吸动力学研究

利用解吸动力学的4个方程,Elovich方程:qt=a+blnt;一级动力学方程:ln(1-qt/qe)=-ka t;指数方程:lnqt=lna+blnt;抛物线扩散方程:qt=a+bt,对超级电容器用活性炭中钾离子的解吸过程进行了模拟,Elovich方程的拟合关系最好,r=0.994;一级动力学方程次之,r=0.992,指数方程和抛物线方程的拟合结果一般,两者r均为0.973。     

用蛀洞路由器ST_C104构造全互连多机并行系统

采用蛀洞路由机制是新型多计算机并行系统的重要特征,介绍用蛀洞路由器ＳＴ＿Ｃ１０４构造全互连多机并行系统的方法并给出构造实例,证明它具有并行效率高、通信速度快、拓扑结构可变、扩展性强等特点。     

基于复杂连续系统并行仿真的自动任务划分

有效地进行任务划分、控制并行粒度,才能充分利用并行计算机的资源,通过对复杂连续系统仿真程序特点的分析,提出了以状态方程为核心、以右函数段的计算为主要对象的自动任务划分算法,使用结果表明具有很好的并行效果。     

一种新的星图中星的提取方法

在分析扫描法和矢量法的基础上,提出了块扫描法.首先,根据星像扩散范围和导航星间距确定扫描块的大小;其次,以扫描块为单位,获得其最大灰度值像素,若灰度大于设定背景阈值,则存储其位置信息与灰度值;再次,以存储像素为中心搜索3×3像素阵,若存在像素灰度值大于存储像素,则剔除存储像素;否则,判断像素阵中灰度大于背景阈值的像素个...     

适用于小子样时间序列预测的动态回归极端学习机

针对设备状态在线监测中的小子样建模问题,提出一种基于动态回归极端学习机(dynamic regression extreme learning machine,DR-ELM)的设备状态在线监测方法.该方法利用设备状态数据训练基于DR-ELM的预测模型,通过逐次增加新数据与删减旧数据的方式,对DR-ELM预测模型进行在线训练,从而实现对设备状态的准确预测.混沌时间序列预测仿真与基于时间序列预测的风机状态监测实例表明,相比于极端学习机(extreme learning machine,ELM)与在线贯序极端学习机(on-line sequential extreme learning machine,OS-ELM),该方法的计算效率与预测精度更高.