摘要：舰载机甲板机务勤务保障是全周期起降保障作业的关键环节,为提升机群保障能力并减轻传统人工制定保障计划的负担,研究了多类人机匹配模式下舰载机甲板机务勤务保障调度算法。首先,系统分析机务保障所采用的单机机组模式、大机组模式和一体化联合保障模式等人机匹配模式,基于保障流程约束、资源转移和保障范围等各类资源约束,面向实际保障需求,以机务勤务作业完工时间、保障人员累积转移时间和闲忙比方差和为优化目标,建立了适用多类人机匹配模式的舰载机甲板机务勤务保障调度模型;其次,将机务勤务保障调度问题抽象为典型的资源受限项目调度问题,基于考虑资源转移的串行调度机制,设计了双种群遗传算法,对调度模型进行优化求解;最后,保障场景案例实验表明,调度模型和算法可实现不同人机匹配模式下的机务勤务保障优化,显著提升各项保障目标。在同等条件下,一体化联合保障模式具有更高的保障效率和较好的人员负载均衡性,且该优势随着转移入场飞机数量的增加而增加,而人员累计转移时间最长;单机机组保障模式的优缺点与一体化联合保障模式相反,大机组保障模式则介于两类模式之间。

摘要：本文详细介绍了TCR型静止无功补偿系统的基本原理和控制方式,并通过具体的设计实例介绍了基于32位定点DSP芯片TMS320F2812的TCR型静止无功补偿系统的实现过程。

摘要：针对高分辨率遥感影像道路提取过程中,深度学习方法较传统提取方法虽可有效地提高地物提取的精度,但需要大量样本训练,消耗较多计算资源,且大量高质量训练样本难以获得等问题,该文提出了一种将支持向量机(SVM)与卷积神经网络(CNN)结合的适用于小样本的道路提取混合模型,该模型能够在小样本训练时保证道路提取的精度。采用数据增强、正则化等方法优化训练策略,丰富小样本道路特征库,设计结合SVM的深度卷积神经网络结构来提取道路在影像中的高维特征,降低模型计算量,减少计算时间。以谷歌高分辨率遥感影像作为实验数据,用不同训练样本量来训练模型并验证道路提取的精度;同时,将该文提出的方法与逻辑回归(LR)模型、光谱结合SVM模型以及VGG16深度学习模型进行了道路提取效果的对比分析。结果表明:该文倡导模型方法在小样本情况下可以提取较高精度道路;与其他3种方法比较,该文方法能够快速构建与训练模型,在满足精度要求的同时,极大地提高了高分辨率遥感影像道路提取的效率,为道路数据的快速更新与变化检测提供了新的技术支持。

摘要：本文详细介绍了基于高性能32位定点DSP芯片TMS320F2812的TCR型静止无功补偿器,实验证明该装置具有良好的无功补偿性能。

摘要：甲板航空保障作业流程是连接舰载机回收和出动的重要纽带,是舰载机机群作战能力生成的核心环节。面向航空保障作业部分流程的不确定性,以航空保障完工时间最小化为优化目标,考虑甲板作业过程所涉及的固定前后序流程约束、不可并行作业约束、保障人员约束、保障设备约束和资源供给能力约束等约束条件,构建了甲板航空保障作业流程优化的数学模型;在此基础上,针对问题的求解设计了相适应的GRASP算法,在初始解构造阶段引入了基于规则的生成策略,在邻域搜索阶段采用双向对齐机制进行局部优化。基于保障任务案例的仿真结果显示,该算法有效地解决了甲板航空保障作业流程优化且相对于其他经典算法更为高效和稳定。