反装甲末敏子弹攻击效力的建模与仿真

在反装甲末敏子弹攻击效力的研究中,提出了有伞末敏子弹稳态扫描阶段初始弹道诸元确定方法的问题.反装甲末敏子弹初始弹道诸元即稳态扫描初始高度、下降速度和转速的确定主要取决于子弹上器件的性能,缺乏系统性研究,限制了末敏弹攻击效力的充分发挥.针对上述问题,从末敏子弹攻击效力的角度建立数学模型,详细分析了稳态扫描阶段子弹的三个参数对攻击效力的影响,以最大化攻击效力为目标,确定子弹的初始弹道诸元,并用成熟的末敏子弹进行仿真.仿真结果表明,综合考虑合理确定子弹稳态扫描阶段初始弹道诸元,可以提高末敏子弹的攻击效力.仿真结果表明,上述研究方法克服了末敏子弹盲目依据器件性能确定初始弹道诸元参数的缺点.     

末敏弹仿真系统的UML建模研究

构建末敏弹仿真系统已成为研究末敏弹运动规律和效能评估的重要手段.采用统一建模语言(UML)对系统用例模型、实体结构模型及行为模型等进行了可视化建模:该研究在较大程度上解决了从需求分析到软件开发全过程的末敏弹仿真系统的建模问题,为高效、高质量的末敏弹仿真奠定基础.     

基于AT89C51的末敏弹控制系统设计

末敏弹是国防科工委的重点研究项目.为提高目标探测精度,采用红外和毫米波复合探测技术,设计了一种组合逻辑控制的末敏子弹的控制系统,并研究了末敏弹控制系统的硬件设计和软件编程及采用计算机控制的具体实现方法.采用精确制导的末敏弹,能有效的打击远程集群目标,将有更好的军事意义.     

基于Adams的伞-弹系统动态特性仿真

在末敏弹系统稳定优化设计问题的研究中,伞-弹系统稳态扫描阶段对作战效能的影响至关重要.针对系统复杂的动力学特性,主要研究了此阶段动态特性,采用拉格朗日方程方法建立了伞-弹系统的7自由度多刚体体动力学模型,利用PRO/E软件建立伞弹系统几何模型,然后导入Adams软件建立动力学模型,并对其动态特性进行了动力学仿真,分析了伞弹系统稳态扫描阶段的弹道特性,得到了伞弹系统开伞后的运动规律和敏感器扫描的规律,为末敏弹总体优化设计提供一定的理论依据.     

末敏弹稳态扫描段扫描间隔对射击效果的影响分析

首先研究末敏弹的弹道特性,提出末敏弹稳态扫描段扫描间隔的产生原因,最后通过末敏弹在稳态扫描段扫描间隔对扫描幅员、评定射击效率方法及对单个静态目标、运动目标射击的影响进行分析,得出了末敏弹对单个静态目标、运动目标射击时的相关数据,增强了末敏弹的作战效能。     

红外毫米波复合探测技术在末敏弹中的应用

末敏弹是“八五”、“九五”期间国防科工委的重点研究项目。目前的末敏弹常用毫米波辐射计和红外探测计的复合探测器。本论文详细地阐述了末敏弹的控制系统原理，红外毫米波复合探测技术及一种组合逻辑控制的末敏子弹的控制系统设计等。     

末敏弹的可视化仿真研究

研究末敏弹运动的实时跟踪与控制问题。因为末敏弹在运动过程中要打开减速伞与减旋翼,外弹道运动规律与常规制导导弹有很大的不同,因此构建末敏弹可视化仿真试验平台有一定的难度。根据典型末敏弹的结构特点及减速减旋段的运动特性,提出了一种利用Simulink/Matlab和VR技术对其进行可视化仿真研究的方法。仿真结果表明,利用上述方法建立的可视化仿真系统模型准确,三维视景逼真,并具有良好的实时性和可控性,很好地再现了末敏弹减速减旋段运动过程,可以为末敏弹的研制和战术训练提供技术支持。     

拦截导弹与目标碰撞检测方法研究

在武器火控系统效能分析的蒙特卡洛仿真中,判定拦截导弹是否命中目标是确定命中概率的重要步骤;通过对命中必要条件及弹目交会条件的研究,利用运动学原理将导弹和目标在地面坐标系中的运动转化为导弹在目标坐标系中的相对运动,建立相应的运动方程,讨论拦截导弹与目标碰撞的三种有效的检测方法,并对三种方法在同等模型下进行了命中概率分析比较;研究结果表明能为武器火控系统效能分析的数字仿真提供可靠、有效的命中目标判定方法及相应的计算机应用程序.     

目标跟踪误差对导弹自导命中概率的影响分析

针对导弹的自导命中概率问题,详细探讨了目标跟踪误差对自导命中概率所产生的影响。首先建立了直角坐标系下转换坐标卡尔曼滤波系统的误差模型,其次分析了影响自导命中概率的主要因素,最后通过导弹命中目标的等效判定模型和基于落点散布的命中概率计算模型,探讨了目标跟踪误差对落点散布产生的影响,进而得到了目标跟踪误差对自导命中概率的影响程度。仿真试验说明了该分析方法的有效性和可行性,并得出了其具有一定指导意义的结论。     

双波段红外敏感器半实物仿真系统设计

以末敏弹为研究对象,采用半实物仿真技术,设计了末敏弹红外敏感器室内半实物仿真系统,整个系统利用Multi-Gen Creator建立场景模型和目标的三维几何模型,利用Vega产生红外敏感器探测视场的数字场景,并将末敏弹的探测系统-红外敏感器作为实体引入到仿真系统参与试验,并和其它物理模型、数学模型构成闭合回路,完成了末敏弹的实时仿真功能.最后,通过仿真测试数据库对其探测系统性能进行了分析评估,该系统具有误检率和漏检率低的优点,并对漏检的原因进行了分析.     

蚁群神经网络在旅行商问题中的应用

在求解旅行商问题(TSP)时,首先引入交叉策略进行预处理,将具体的地图抽象为常见的无向完全图,即把TSP抽象为求无向完全图的一条Hamilton回路;然后用蚁群算法与人工神经网络相结合的方法来求解.实验结果表明了该方法的可行性和高效性.     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

知识共享效率的R-RNN评价模型研究及应用

针对企业知识共享效率评价方法缺乏的现状,提出了基于粗糙集和RBF神经网络的R-RNN知识共享效率评价模型。在研究知识共享活动基本过程的基础上,分析了知识共享效率影响因素,得出效率评价指标体系。然后,运用粗糙集理论对评价指标进行预处理,去除冗余指标项,在合理化评价指标体系的同时减少网络输入维度,进而采用RBF神经网络对知识共享效率进行综合评价。最后通过具体的应用实例验证了该评价模型的有效性与可行性。     

A forecasting system for car fuel consumption using a radial basis function neural network

A predictive system for car fuel consumption using a radial basis function (RBF) neural network is proposed in this paper. The proposed work consists of three parts: information acquisition, fuel consumption forecasting algorithm and performance evaluation. Although there are many factors affecting the fuel consumption of a car in a practical drive procedure, in the present system the relevant factors for fuel consumption are simply decided as make of car, engine style, weight of car, vehicle type and transmission system type which are used as input information for the neural network training and fuel consumption forecasting procedure. In fuel consumption forecasting, to verify the effect of the proposed RBF neural network predictive system, an artificial neural network with a back-propagation (BP) neural network is compared with an RBF neural network for car fuel consumption prediction. The prediction results demonstrated the proposed system using the neural network is effective and the performance is satisfactory in terms of fuel consumption prediction.     

制冷站双目标权重自适应非线性预测控制

针对传统制冷站控制系统易产生振荡, 且无法实现系统性能整体优化的问题, 本文提出一种制冷站非线性 预测控制策略, 优化目标函数设计为满足建筑冷量需求的同时, 尽可能提高系统整体能效. 为解决上述两个优化目 标之间的矛盾关系, 本文采用模糊逻辑设计了优化目标权重自适应模块, 实时求取权重因子最优解; 针对非线性系 统在线优化求解困难问题, 本文提出了基于神经网络的非线性滚动优化算法, 采用神经网络作为反馈优化控制器, 并将系统优化目标函数作为在线寻优性能指标, 结合Euler-Lagrange方法和随机梯度下降法对控制器权值和阈值进 行在线寻优, 算法计算量小, 占用存储空间适中, 便于采用低成本的现场控制器实现制冷站预测控制. 仿真实验结果 表明, 本文所提出的预测控制策略与PID控制相比, 在未加入优化目标函数权重自适应模块情况下, 系统平均能效 比提高约32.5%; 进行优化目标函数权重自适应寻优后, 系统平均能效提高约39.43%.     

基于Kohonen神经网的TSP问题求解

本文研究了利用Ｋｏｈｏｎｅｎ神经网求解ＴＳ问题。对于两个或两个以上的城市映射到同一个输节点提出了两种解决方法，并研究了输出节点规模、迭代次数对求解ＴＳＰ问题的影响，计算机模拟结果表明利用Ｋｏｈｏｎｅｎ神经网能够较快地获得ＴＳＰ问题的近拟解。     

Optimal disturbance rejection control approach based on a compound neural network prediction method

A new optimal disturbance rejection control method is proposed for the system with disturbances via a compound neural network prediction approach in this paper. The disturbances caused by external disturbances and model mismatches can be estimated by a disturbance observer, and the estimation of disturbances is introduced into the neural network predictive model to make the predictive output more accurate. Then based on the new compound neural network predictive model, a controller, which ensures both optimal performance by the receding horizon optimization and strong disturbance rejection ability, is obtained. The proposed scheme is applied to control the temperature of a simplified jacketed stirred tank heater (JSTH). Simulation results demonstrate the effectiveness of the proposed control method.     

基于退火策略的混沌神经网络及其在TSP中的应用

本文主要研究混沌模拟退火神经网络（CSAN）在求解TSP中的应用。我们采用了四种GSAN模型，分别将它们对15、20、50个城市的TSP求解结果比较，并研究其模型参数的设置对TSP优化解的影响。仿真结果表明，CSAN比HNN具有更丰富和更为灵活的动力学特性，从而具有更强的搜索全局最优解或近似全局最优解的能力。     

弹性TSP及其并行遗传优化

受生物神经系统中突触联结强度随外部激励自适应调节机制的启发,针对图论问题,提出一种权值自适应弹性调节方法,构建了一个弹性TSP模型,分析了该模型的特征及意义．从区域隔离和基因流动两个角度出发,研究了弹性TSP的一种并行遗传优化方法．对本地子群和迁移子群的相同高频边（这些高频边构成“共同边集”）进行弹性共振处理,对不同的而在历史“共同边集”中出现的高频边进行弹性恢复处理、在该算法的试验研究中寻找到了中国144城市TSP的新的更优路径,表明该算法对于求解复杂的组合优化问颞具有较高的求解性能．     

An asynchronous recurrent linear threshold network approach to solving the traveling salesman problem

In this paper, an approach to solving the classical Traveling Salesman Problem (TSP) using a recurrent network of linear threshold (LT) neurons is proposed. It maps the classical TSP onto a single-layered recurrent neural network by embedding the constraints of the problem directly into the dynamics of the network. The proposed method differs from the classical Hopfield network in the update of state dynamics as well as the use of network activation function. Furthermore, parameter settings for the proposed network are obtained using a genetic algorithm, which ensure a stable convergence of the network for different problems. Simulation results illustrate that the proposed network performs better than the classical Hopfield network for optimization.