基于模糊AHP和证据理论的混合决策模型

针对模糊层次分析法(Fuzzy AHP,FAHP)用于产品方案评价时存在的逆向排序问题和不确定信息处理问题,分析其原因后将不确定性推理的证据推理(Evidential Reasoning,ER)理论引入FAHP的层次结构进行底层方案评价值的计算,在此基础上提出了FAHP-ER混合决策模型,该模型由于ER的引入而大大提高了它在不确定信息处理方面的能力,从而克服了FAHP方法对不确定信息处理不足的问题。用一个轴承转子系统设计方案的评价实例对混合决策模型进行了验证,很好地处理了方案评价过程中决策者的各种主观不确定信息,在此基础上获得了最佳的转子设计方案。

低速目标运动无补偿频率步进信号参数设计

利用频率步进信号可实现距离高分辨,但存在运动补偿问题。考察了速度和加速度共同作用对一维距离像的影响,详细分析了逆离散傅里叶变换(IDFT)引起的离散峰值误差,得到了影响最大无补偿速度和加速度的主要因素。在分析距离分辨率、带宽与最大无补偿速度这一对矛盾的基础上,通过适当的参数设计来提高最大无补偿速度,实现对低速目标的无速度补偿测距。仿真验证了对低速、近距离目标运动无补偿测距的可行性。

基于巨磁阻抗效应的新型磁引信探测器研究

在分析非晶丝材料物理特性基础上,基于非晶丝材料的激励特性和巨磁阻抗效应,开展新型磁物理场探测技术及其在引信系统中的应用技术研究。重点对其探测电路开展研究,探索提高非晶丝探测器灵敏度及抗干扰能力的技术途径,在此基础上以磁引信探测坦克等铁磁目标为应用背景,探讨用非晶丝微磁传感器取代普通磁性元件的磁引信移植技术。为提高磁引信的目标探测与识别能力及系统的微小型化提供必要的理论与技术支撑。

遗传神经网络在GMI传感器设计中的应用

巨磁阻抗(GMI)微磁传感器具有灵敏度高、响应速度快等突出优点,但其输出信号呈高度非线性特性。利用交流偏置方法产生非对称巨磁阻抗效应(AGMI),对磁场传感器的线性度有一定改善,但仍存在线性范围小、线性误差较大的缺点。BP神经网络具有良好的自学习、自适应和非线性映射能力,但通常训练速度较慢、易陷入局部极小值;遗传算法有很强的全局寻优能力,但其局部搜索能力不足。为充分发挥二者优点,本研究提出一种基于遗传神经网络的传感器非线性误差校正方法,并针对所设计的GMI传感器,设计了适合本系统的遗传神经网络,可通过Matlab软件实现。结果表明,经过训练的网络输出结果有序,网络的非线性映射性能良好,能精确反映该传感器系统的函数关系。该方法运算快速、精度高,对智能GMI传感器的设计具有一定工程应用价值。