介质参数对吸收体电磁散射影响

二维周期渐变微波吸收体由金属基体和涂敷有耗介质构成.有耗介质的厚度、介电常数和磁导率是影响吸收体电磁散射特性的主要因素,因此有必要分析这些参数对吸收体电磁散射特性的影响.根据吸收体的二维周期性结构特点,把分析介质参数对吸收体雷达散射截面(RCS)的影响简化成分析介质参数对涂敷导体二面角RCS的影响.利用矩量法给出涂敷导体二面角的RCS随介质参数变化的计算例子,并结合天线阵列技术算出最佳介质厚度时吸收体的RCS.     

一种分析大型阵列天线散射的新方法

引入综合函数矩量法分析大型阵列天线的电磁散射问题．该方法基于求解电磁问题原型,通过对模型的几何和物理结构进行区域分解,并引入等效电流源来计入各区域之间的互耦影响,从而生成综合函数空间．与传统的阻抗矩阵分块操作相比,该方法能够进一步减少储存空间和计算时间,因此利用该方法能够在PC机上有效地分析大型阵列天线的散射问题．通过实际算例与传统矩量法相比较,单站雷达散射截面的误差小于2dB,证明了该方法的精确度和有效性．     

MoM—PO混合方法在电磁散射问题中的应用

在分析电大尺寸物体的电磁散射特性过程中，高频近似方法和数值方法各有其优势和局限性，因此结合两者的优点来解决电大尺寸物体的电磁散射特性将是一条切实可行的途径。文章结合矩量法(MoM)和物理光学法(PO)，提出了MoM—PO混合方法来求解电大尺寸物体的电磁散射问题，极大地提高了计算精度，改善了计算速度，为快速有效地解决电大尺寸物体的电磁散射问题提供了良好的途径。MoM—PO混合方法的数值计算结果与传统的MoM计算结果相一致。     

MBPE技术快速分析导体散射的频空二维特性

将频域基于模型参数估计(MBPE)技术和频空双内插MBPE技术结合，提出了一种新的频空二维MBPE技术，利用了频率、角度和频率导数信息，克服了双内插MBPE技术难以寻找合适插值点的缺点．并将该方法与矩量法结合对任意形状复杂多导体系统的大角度宽频带雷达散射截面的二维特性进行了快速估计，计算效率显著提高．数值结果表明了该方法的有效性．     

一维随机粗糙面电磁散射的小波矩量解

粗糙面的电磁散射问题可以归结为一个电场积分方程。采用小波基函数将和后向散射积分算子展开,利用矩量法求解矩阵方程,得到一维随机粗糙面的等效电流分布并进一步得到散射场,所得结果与有关文献的结果基本一致。     

基于相位提取电磁散射的高效算法

采用基于曲面RWG基函数离散目标表面的感应电流,提取出基函数中的相位信息,同时利用区域分解算法将群目标分解为渃干个子区域,利用矩量法计算各个子区域的电流分布和区域间耦合.计算结果表明,利用该方法计算的精度能得到很好的保证,计算的内存需求和计算时间能够大幅度降低,适合于群目标的散射和辐射问题求解.     

基于GPU并行技术的超大型海面舰船电磁散射仿真

为了解决超电大尺寸海面舰船场景中电磁散射计算的瓶颈问题,研究基于多图像处理单元(Multi-GPU)并行加速技术的弹跳射线法(SBR)。借助统一设备计算架构(CUDA)提供的多线程服务(MPS),构建Multi-GPU并行加速框架,研究基于区域射线束划分GPU计算任务和实现方式;研究基于矩阵网格的任务分割技术,最大限度提高GPU全局内存利用率;针对不同运算单元间的差异所带来的计算不同步问题,设计基于动态负载均衡算法的调度系统,进而提高计算资源利用率。仿真结果表明,在双GPU硬件平台上,该方案与现有并行技术算法相比,在确保结果准确性的情况下加速比接近甚至超过200%。因此,该技术方案能够有效解决超电大海面舰船电磁散射问题。     

MoM-PO混合方法在电磁散射问题中的应用

在分析电大尺寸物体的电磁散射特性过程中,高频近似方法和数值方法各有其优势和局限性,因此结合两者的优点来解决电大尺寸物体的电磁散射特性将是一条切实可行的途径。文章结合矩量法(MoM)和物理光学法(PO),提出了MoM-PO混合方法来求解电大尺寸物体的电磁散射问题,极大地提高了计算精度,改善了计算速度,为快速有效地解决电大尺寸物体的电磁散射问题提供了良好的途径。MoM-PO混合方法的数值计算结果与传统的MoM计算结果相一致。     

一种目标单站RCS的快速计算方法

基于矩量法,分析了目标单站雷达散射截面(RCS)的计算方法. 当进行扫角计算时,平面波入射角度的变化只会对右端电压矩阵产生影响,左端阻抗矩阵不会发生变化. 根据这一特点,提出了一种基于高斯消元法的单站RCS快速计算方法. 对第1个角度,记录下消元过程,并将阻抗矩阵转换为乘积因子矩阵. 在对其余角度的矩阵方程求解时,只需对变化的右端电压矩阵按照第1个角度的消元过程进行相应计算即可,从而加快了整体角度范围的单站RCS计算.     

用周期小波变换快速求解电磁散射问题

用周期小波变换对电磁散射问题中由矩量法产生的阻抗矩阵进行稀疏化和求逆,简要分析了其时间复杂度和稀疏后的阻抗陈结构与散射体形状的关系。用这种方法计算了二维柱体的表面感应电流和计算结果表明阻抗矩阵的稀疏化可以有效地减少其求逆时间,这对于计算散射体的雷散射截面是很有益的。     

基于径向基函数网络估计密度函数的数据分类

针对样本总体分布已知的分类问题，提出了一种新的分类方法.通过非线性映射将训练样本映射到高维特征空间，基于向量投影法从训练样本中选择边界向量，运用多维二叉树搜索法确定每个边界向量同类中的k-近邻，运用统计理论中的大数定理估计样本的类条件概率密度函数，由边界向量与相应的密度函数构成新的训练样本对.对每一类数据建立一个径向基函数（RBF）网络，以相应类的边界向量作为中心，通过训练以RBF网络来估计样本的类条件概率密度，并采用基于最小错误率的贝叶斯决策来实现分类.对机器学习数据的仿真研究结果表明该方法具有与支持向量机（SVM）相似的识别率，并且能快速有效地实现多类分类.     

基于楔形基函数的点插值法

基于楔形基函数和点插值法,提出了一种新的求解热传导方程的无网格法.给出了求解热传导方程的显格式及数值解的存在惟一性定理.通过数值结果表明该算法切实可行,并达到满意的收敛效果.该方法是一种真正的无网格法.     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

基于小波基函数的无网格方法

利用小波函数的紧支性、正交性等性质及无网格算法可以部分或全部消除网格而具有提高计算能力且减少误差的优点,提出并建立了一种基于小波基函数的无网格算法。以Dau-bechies小波为基函数,生成无网格算法的场函数,推导出相应的控制方程。算例表明,本文所述算法解与理论解非常相近,且与有限元方法相比,在计算时间大致相近的情况下,减少了误差,提高了精度。计算结果验证了小波无网格法的有效性。     

一种基于径向基函数的近似模型构造方法

发展了一种基于径向基函数的近似模型建立方法。首先采用试验设计方法对设计空间进行样本选择,采用数据分析方法对样本集进行聚类分类,得到径向基函数中的相关参数。对于近似模型权系数采用能够适应大规模并行计算并且能够在全局解空间的多个区域内寻优的遗传算法进行求解,而不是采用最小二乘法通过线性方程的求解获得。最后通过对一维非线性和多维高阶非线性函数的逼近测试,以及对近似模型的拟合函数与原函数之间的误差分析,表明本文提出的基于径向基函数的近似模型方法具有良好的拟合与预测精度。     

一种混合核函数支持向量机算法

提出一种基于混合核函数的支持向量机算法.首先证明了常用核函数的非负线性组合也是满足Mercer条件的核函数.然后通过最小化衡量二次损失函数支持向量机泛化能力的RM界来进行各子核函数参数、混合核函数组合系数以及惩罚系数的选取.仿真实验表明,基于混合核函数的支持向量机的泛化性能优于基于单一核函数的支持向量机.     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

基于径向基函数神经网络的预测方法研究

提出了一种新的确定径向基函数中心的方法. 该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法从模糊聚类中心中进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准. 该方法集中了交叉迭代模糊聚类和正则化正交最小二乘法的优势,可有效减小网络规模,提高网络推广能力,而且能够避免数值病态情况发生. 以新疆伊犁河雅马渡站的年径流量预测为例进行计算,其结果验证了所提方法的有效性.     

一种基于混合遗传算法学习的过程神经网络

提出了过程神经网络的一种学习算法.利用基函数的正交性,将输入函数和网络权函数表示为同一组正交基的展开形式后,使用遗传算法与BP算法结合的混合遗传算法训练过程神经网络,为简化计算,对权值基函数的选取和离散数据的函数拟合方法进行了调整,减少了误差.并以木材生长密度预测为例,验证了算法的有效性.     

核心集径向基函数极限学习机

径向基函数极限学习机(radial basis function-extreme learning machine, RBF-ELM)中的两个参数都随机地生成,这导致RBF-ELM算法的不稳定性问题。另外,对于不同的数据集,难于确定隐含层结点的个数。针对RBF-ELM的这两个问题,提出了一种改进算法。首先用核心集方法选择重要的样例,然后用选择的样例初始化中心参数,宽度参数采用随机化方法初始化。该算法不仅可以在一定程度上解决RBF-ELM的不稳定性问题,而且可以确定隐含层结点的个数。试验结果表明:该算法优于RBF-ELM。