合成部队多阶段作战任务成功概率仿真评估

考虑战场环境和战时装备维修保障评估合成部队多阶段作战任务成功概率, 对于辅助合成部队作战任务规划和装备维修保障决策具有重要的现实意义。在分析合成部队装备和合成部队装备维修保障模式的基础上, 构建了战时合成部队多阶段任务剖面; 通过对合成部队作战过程的分析, 提出了战时合成部队各阶段任务成功要求; 充分考虑合成部队多作战单元任务的协同性、合成部队装备的多样性及其战时随机共因失效(random common cause failure, RCCF)、战场环境下敌方火力打击和阶段任务时间的随机性、换件修理时间的不确定性等复杂因素, 利用蒙特卡罗仿真(Monte Carlo simulation, MCS)原理给出了合成部队多阶段作战任务成功概率评估的详细仿真流程, 并通过算例进行仿真和结果分析。研究结果表明:本文模型可用于合成部队多阶段作战任务成功概率评估和战斗阶段持续时间优化, 并为战时合成部队备件携行方案优化奠定了模型基础。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

供给侧结构性改革下海归高管与企业创新——来自公司并购的证据

海归人才能否在我国供给侧结构性改革中发挥积极作用是连接我国人才引进与经济转型发展战略的重要议题。从海归高管角度切入，以供给侧结构性改革中企业并购重组活动为观测场景，实证考察海归高管对公司创新的影响。结果发现，海归高管显著提升重组公司专利创新，海归高管指标一单位标差的增加将使不同类型专利创新提高4%~5.8%。在公司并购前引入海归高管、引入海外学习经历的海归高管、在多元化并购中引入海归高管能够更好地提升重组公司专利创新，在国有企业以及金融发展水平区域中引入海归高管能够提升并购公司发明专利创新。机制研究表明：海归高管能通过提升企业风险承担水平、风险容忍度以及缓解融资约束等渠道促进公司发明专利创新。本研究揭示海归高管的风险承担偏好及控制能力有助于促进企业创新驱动转型发展。为我国供给侧结构性改革下如何更好地推动企业高质量发展提供重要启示。     

空域色噪声背景下双基地MIMO雷达角度估计

空域有色噪声会导致现有多输入多输出(multiple input multiple output, MIMO)雷达算法性能下降, 甚至完全失效。针对空域色噪声背景下双基地MIMO雷达联合波离角(direction of departure, DOD)和波达角(direction of arrival, DOA)估计问题, 分析了现有算法失效的原因。考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性以及MIMO雷达数据的多维结构特性, 提出一种基于张量分析的角度估计算法。首先, 构造角度估计的协方差张量, 通过去除协方差张量中受噪声协方差影响的元素对色噪声进行抑制。其次，利用张量填充技术对无噪协方差矩阵进行恢复。然后，利用平行因子分解获得目标角度的方向矩阵。最后, 采用最小二乘算法对目标的DOA和DOD进行拟合。仿真结果表明, 所提算法对色噪声不敏感, 且无孔径损失。相比现有矩阵及张量分析算法, 所提算法具有更高的估计精度。     

雷达导引头指向误差对导弹制导的影响与对策

受相控阵天线指向误差和天线罩瞄准误差的共同影响,相控阵雷达导引头存在较严重的指向误差。当指向误差斜率超出一定范围时会造成导弹制导系统出现寄生回路振荡问题,影响系统的稳定性和制导精度,在高空尤为明显。对此，本文通过构建相控阵雷达导引头制导系统模型,分析了导引头指向误差斜率对导弹制导的影响以及产生寄生回路振荡的机理;为消除导引头指向误差斜率对制导的不利影响,在指向误差测量补偿的基础上,又给出了一种多模型扩展卡尔曼滤波的估计方法,对导引头指向误差斜率进行实时估计与补偿。数字仿真结果表明，所提方法能够有效改善导引头指向误差斜率对制导系统的不利影响,提高系统稳定性和制导精度。     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit, APU)性能参数预测的精度,针对支持向量机(support vector machine, SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm optimization, PSO)算法实现对SVM惩罚参数和核参数的优化选择,提出一种基于自适应变异PSO算法优化SVM的APU性能参数预测模型。进一步分析了预测模型不同预测步长对短期预测精度的影响。利用某型APU性能参数数据进行了验证,并与多种预测模型进行了对比实验。实验结果表明,对于排气温度(exhaust gas temperature, EGT)的预测,自适应变异PSO-SVM模型的平均绝对百分比误差(mean absolute percentage error, MAPE)比标准PSO-SVM模型低47%;对于滑油温度(oil temperrature, OT)的预测,自适应变异PSO-SVM模型的MAPE比标准PSO-SVM低29%,为短期APU性能变化趋势预测提供了一定的参考。     

KL油田沙三下亚段混合沉积特征及演化

针对目前莱州湾凹陷南斜坡带KL油田沙河街组三段下亚段陆源碎屑与碳酸盐岩混合沉积形成条件、沉积特征及模式认识程度较低的问题，利用该区壁芯、薄片及扫描电镜等资料，结合构造演化、古气候和古地貌背景，在层序格架约束下研究沉积环境，分析其沉积特征。结果表明，研究区发育混合沉积，形成于宽缓斜坡、亚热带湿润气候，兼具湖平面、物源、水动力条件周期性变化等条件；该混合沉积包括相缘渐变混合与原地混合两种沉积类型，互层式和组分式两种混合模式，以及4种混合样式。两种混合沉积类型沉积机理不同，混合模式及组合样式表现较大差异，因而具有不同的储层微观特征。     

基于MapReduce模型带准备时间的平行机调度优化

研究了一类基于MapReduce模型的平行机调度问题.每个工件包含Map和Reduce两道加工工序,Map工序可以分割为若干个子任务,并且在多台平行机上同时并行加工,Reduce工序只有在该工件的所有Map工序的子任务加工完成后才能进行,而且Reduce只能在一台机器上加工且不可中断.结合工件具有释放时间和加工准备时间等约束,以最小化最大完工时间为目标,构建了混合整数规划模型,并设计了采用差分变异策略和逐维Levy扰动机制的改进正弦余弦算法来求解该模型.最后,利用数值仿真实验与标准正弦余弦算法及遗传算法进行对比,实验结果表明,运用改进正弦余弦算法求解的结果与下界值的平均相对偏差GAP为3.02%,较标准正弦余弦算法以及遗传算法的效果提升显著,显示了该改进算法的有效性.     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。