复杂流线型目标通常包含多个滑动型散射中心(sliding scattering center, SSC)。由于SSC位置随观测方位变化而改变, 采用现有的散射中心建模方法所获得的SSC属性参数精度受到雷达图像分辨率、多散射中心图像混叠和参数估计精度的限制。本文提出一种基于表面电流相位特性的散射中心建模方法。该方法基于全波法计算的稀疏采样角度下的表面等效电流数据, 通过驻相点自适应提取、电流分区, 实现目标散射中心的参数化建模。驻相点自适应提取可以精确确定散射中心位置, 电流分区计算可以避免多散射中心成分混叠造成的参数提取困难, 从而保证了散射中心的建模精度。本文以某导弹和飞机模型为例, 采用全波法和传统方法建模计算结果对使用该方法建模的效率和精度进行了验证。
在高分辨率遥感影像解译中, 舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题, 本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information, RSI-CenterNet)的多方向遥感舰船目标检测方法。首先, 基于关键点检测网络, 在检测阶段添加目标角度回归分支, 以预测目标方向; 其次, 添加语义分割分支, 并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息; 最后, 引入注意力模块, 以强化目标显著区域与通道的特征, 提升检测精度。实验结果表明, 与其他多种先进方法相比, 本文方法具有更高的检测精度与检测速度, 在高分辨率船舶数据集(High Resolution Ship Collections 2016, HRSC2016)上的平均精度达到88.31%, 检测速度达到17.8 FPS。
相较于风冷、相变等散热方式, 液冷具有稳定、效率高等优势, 是目前相控阵天线散热的首选方式。针对等截面平直流道相控阵天线冷却不均匀、收发(transmitting/receiving, T/R)组件温差大的突出问题, 与以往部件级热控设计方法不同, 本文首次提出了相控阵天线整机热控设计思路, 设计了变截面平直流道和双螺旋流道两种优化结构。仿真和实测结果表明, 双螺旋结构流道冷却效果最优, 优化后芯片最高温度降低了35.6%, T/R温差降低了51.8%。此外, 所提方法成功量化给出了流速对冷却效果的影响, 可有效解决大功率有源相控阵天线热控设计难题, 可行性和实用性强。
针对当下平面阵同时多波束赋形需求, 提出基于改进粒子群算法的平面阵同时多波束赋形方法。将自适应操作粒子结构、反梯度加权用于粒子群搜索算法作为创新点, 根据粒子群收敛度自适应调整操作粒子结构的概率, 以平衡粒子群全局探索和局部利用能力, 根据多目标优化程度对各优化指标反梯度加权, 以抑制多目标优化失衡, 对阵列相位、幅度优化实现低旁瓣、窄波束宽度和高增益的效果。实验表明, 在传统非线性智能优化方法效果不好的情况下, 该方法对阵元数较多的任意平面阵同时多波束赋形效果较好。
针对复杂载体上共形阵列存在多极化接收和遮挡效应的问题, 本文提出一种基于方向图矩阵重构导向矢量的改进极化多重信号分类(multiple signal classification, MUSIC)算法。首先对共形天线阵列进行建模, 在获取各个阵元的方位和俯仰分量方向图数据后, 将方向图数据分解并重构阵列的导向矢量矩阵, 最后结合极化MUSIC算法进行波达方向(direction of arrival, DOA)和极化参数联合估计。相对于理论导向矢量的极化MUSIC算法, 本文所提改进算法在解决了遮挡效应的同时具有更高的估计精度, 并可有效降低运算量。仿真实验结果验证了这一结论。
目标跟踪作为计算机视觉领域的关键课题, 广泛应用在智能视频监控等领域。随着深度学习的迅速发展, 基于孪生神经网络的跟踪算法(简称为孪生跟踪算法)因其速度和精度的平衡优势成为了主流算法。尽管已有大量研究, 但仍缺乏从跟踪框架层面对孪生跟踪算法进行系统分析。为了梳理目前孪生跟踪算法的研究进展, 首先介绍了孪生跟踪算法的常见挑战、主要组成、跟踪流程、常用数据集和评价指标; 其次按照对跟踪框架的改进方向分为改进特征提取的算法、优化相似度计算的算法和优化跟踪结果的算法, 并分别详细介绍; 然后对20个主流跟踪算法进行测试与分析; 最后总结目前孪生跟踪算法存在的问题以及对未来的研究方向。
为进一步提升对可见光图像中水面舰船目标的检测识别成功率, 提出一种基于YOLOv5的舰船目标识别算法。使用基于随机池化方法的空间金字塔池化网络, 运用双向特征金字塔网络进行多尺度特征融合, 采用指数线性单元函数作为激活函数加快网络训练收敛速度, 提升算法鲁棒性, 从而实现了对水面舰船目标和舰船关键部位的快速准确识别。通过在舰船目标及其关键部位数据集上实验验证, 对比多个经典目标检测方法, 在识别准确率上均有不同程度提升, 对比原YOLOv5s模型, 平均精度均值提升3.03%, 速度提升2 FPS, 模型保持了YOLOv5轻量化的特点, 在应用部署上有良好前景。
本文研究频率捷变雷达的扩展目标检测问题。当频率捷变雷达的合成带宽较大时, 雷达目标会变成扩展目标, 导致雷达无法直接应用传统的恒虚警检测算法。针对这一问题, 本文建立了频率捷变雷达的扩展目标检测模型, 推导了基于广义似然比的检验统计量, 并且通过数值仿真展示了相应的检测概率和虚警概率。为了提升雷达的抗干扰能力和频谱利用率, 本文考虑了雷达只使用一部分发射频点的场景。数值结果表明, 在高信噪比下, 频率捷变雷达使用的发射频点越多、合成带宽越大时, 扩展目标检测的性能越好。
基于深度学习的雷达目标识别方法近年来获得较大关注, 但实战中存在时效性约束和资源限制, 小样本识别难题大大限制其在实际识别任务中的性能。针对这一问题, 本文基于元学习算法, 通过从多个相关任务中学习到的元知识改善新任务的性能, 引入迁移学习思想, 提出一种改进的小样本学习方法, 并通过详细的性能对比实验分析了该方法的应用边界条件。基于实测高分辨距离像数据的实验结果表明, 元学习方法在历史积累样本所含目标类别较多, 与目标任务相关度较大的极小样本情况下, 性能优势才突出, 所提方法可显著提升其综合识别性能。
合成孔径雷达(synthetic aperture radar, SAR)作为一种宽带系统, 常与同频段内其他有源电磁系统发生冲突, 这些信号相较于宽带SAR系统而言, 大部分是窄带干扰(narrow-band interference, NBI), 会对高分辨SAR成像系统产生严重干扰。早期关于NBI抑制问题的研究中, 很少有人注意到NBIs在不同脉冲之间可能具有局部时变特性, 这削弱了某些经典方法在干扰抑制上的性能。因此, 本文提出了一种图拉普拉斯嵌入(graph Laplacian embedding, GLE)算法, 通过在不同脉冲信号之间构建拉普拉斯嵌入关系来抑制NBIs。这使得局部时变的干扰能够被嵌入到非线性低维流形中, 并被有效去除。对实测受NBI干扰的SAR数据进行处理, 处理后的结果证明了所提方法的有效性。
针对多普勒雷达信号检测问题, 基于几何代数工具重新审视离散傅里叶变换, 提出了一种以投影余角为检验统计量的多普勒雷达几何检测器。该检测器相对传统功率/包络检测器具有良好的动态压缩性质与恒虚警特性。通过与现有功率/包络恒虚警检测器的对比试验, 表明了几何检测器对背景起伏与强多音信号干扰的优良适应能力, 为雷达检测器设计提供了一种新的视角和工具。
针对合成孔径雷达(synthetic aperture radar, SAR)成像目标复杂结构特征难以精准提取的问题, 设计复数兼容的多通道结构张量全变分(structure tensor total variation, STV)正则先验表征函数, 进而提出面向SAR目标结构特征增强的复数兼容-STV(complex value compatible-STV, CV-STV)优化算法。所提算法的结构先验函数设计涵盖实部/虚部两个通道的结构张量, 能适应SAR复成像数据特征并解析推导得到其近端算子，进而简化求解问题的模型复杂度。同时, 将CV-STV正则优化算法引入稀疏驱动先验, 借助交替方向多乘子法(alternating direction method of multipliers, ADMM)多任务优化框架实现目标散射点多特征的联合表征与增强。实验部分分别应用SAR仿真与实测数据对所提CV-STV正则优化算法进行有效性验证; 同时利用相变分析实验对比传统特征增强算法, 验证了所提算法的优越性。
对于高信噪比、完整回波、目标平稳运动等理想观测环境, 现有成像技术已经较为成熟, 可以获得聚焦良好的高分辨逆合成孔径雷达(inverse synthetic aperture radar, ISAR)像。但在实际中的方位回波缺损与低信噪比观测情况下, 随机相位误差等因素会降低现有成像算法的性能甚至使其失效。本文首先建立了ISAR稀疏观测模型, 并基于稀疏贝叶斯学习理论, 通过引入Beta过程非参数先验构建层级概率模型, 进而交替利用Gibbs采样及最大似然方法对ISAR像及随机相位误差进行估计。实验结果表明, 所提方法在低信噪比、回波缺损等复杂观测环境下能够获得聚焦良好的ISAR图像。
随着智能化时代的到来, 国防科技的研究与发展面临新的机遇与挑战。本文从体系视角出发, 对智能化时代国防科技体系工程开展了初步的探索。首先, 介绍了智能化时代国防科技体系工程的相关概念, 辨析了其内涵, 明确了其研究范畴, 构建了国防科技体系工程的研究框架。其次, 系统总结了国防科技体系工程研究重点关注的3个科学问题, 分别是建模问题、评估问题及预测问题, 并对解决这3大类问题的相关理论方法和技术手段进行了梳理介绍。最后, 对国防科技大学复杂系统与体系工程团队自主研发的国防科技体系工程软件支撑工具集进行了简要介绍。通过研究与实践, 为国防科技的发展战略制定、规划计划、项目管理等实际工作提供了理论、方法和技术支撑, 促进了科技创新能力提升和战斗力生成。
针对作战仿真实验中体系效能通常依靠专家评估、评估代价较大的问题, 提出一种基于预聚类主动半监督学习的作战体系效能评估方法。明确了使用该方法进行作战体系效能评估的基本流程, 以及自顶向下的评估模式和二值化的评估标准。重点构建了预聚类主动半监督学习算法, 首先, 结合作战仿真实验数据的特点, 对未评估样本进行预聚类, 选择最有价值的样本供专家标注; 然后, 使用已标注的样本训练主动学习算法和半监督学习算法的公用学习器; 最后, 利用主动学习算法挑选价值较高的样本交由专家评估, 并利用新样本对学习器进行不断更新。作战仿真实验数据表明, 该方法在达到预期评估准确度的同时降低了评估代价, 能有效应用于大规模作战仿真实验的体系效能评估。
本文研究多机协同作战的任务分配问题。首先, 根据不同飞机种类的特点提出了任务适应度概念, 用以描述不同任务场景下各机种执行该任务的相对优劣程度。其次, 根据同一机群内和不同机群间的飞机单元执行同一任务时的相互关系, 提出了关系特征函数, 用以描述执行同一任务时其他执行单元对自身效能的影响。再次, 针对某一任务需要多架飞机单元共同完成的实战需求, 设计了考虑任务适应度和机群关系特征的全局收益指标, 并通过求解最优化问题实现了多机种协同作战收益最大化。最后, 针对典型的多机协同作战场景, 给定任务需求后进行求解, 得到了任务分配结果。结果表明, 所提出的方法能够充分利用不同机种的各自优势及机群内外成员关系提高全局收益, 对多机协同作战任务分配问题具有重要的意义。
针对缺失的分布式语言信任社会矩阵以及高度残缺的评价信息, 提出一种新的分布式语言信任网络群决策方法。首先, 提出了一种分布式语言信任传递模型以填充分布式语言信任社会矩阵中的缺失值。其次, 定义了基于分布式语言信任社会矩阵的个体信任中心度和群体信任中心度, 并在此基础上提出了确定评价网络中专家权重的方法。再者, 鉴于决策矩阵中评价信息存在高度残缺的情形, 利用K-近邻算法评估残缺的评价信息, 并基于分布式语言信任函数的距离测度提出一种改进的逼近理想解排序(technique for order preference by similarity to an ideal solution, TOPSIS)法。最后, 通过外卖服务平台性价比的综合评估验证该群决策方法的可行性和有效性。
针对海上要地防空反导作战中发射阵地优度排序问题, 结合要地面积较小、各备选阵地自然环境条件差别不大的实际情况, 提出一种以各阵地与保卫目标间距离来衡量阵地优度的评价指标体系构建方法。首次将各己方目标的重要度作为对应评价指标的权值, 并提出一种基于网页排名(PageRank, PR)算法的评价指标赋权方法。通过算例仿真可得, 本文提出的方法能够给出科学、准确的备选阵地优度排序, 为解决海上要地防空反导阵地选择问题提供了一种新思路、新方法。
针对装备体系构成复杂等特点, 构建了基于设计结构矩阵(design structure matrix, DSM)和信息熵的装备体系结构贡献率评估模型。首先, 基于“整体、动态、对抗”的思想, 建立装备体系贡献率评估的动态—静态DSM评价模型; 其次, 以单一能力最小为粒度对作战过程进行分解, 依据元活动序列对装备体系能力结构进行网络化建模; 然后, 采用信息熵方法计算装备能力灵敏度。以某航空作战装备体系为例, 验证了本方法的可行性和合理性。
为了提高动态推荐效果, 从时间个性化和连续性的角度出发, 细化了签到用户的时间特征, 利用灰关联分析度量时间向量的相似度, 与矩阵分解算法结合, 给出了一种新的矩阵分解算法。该算法可缓解时间戳细化签到矩阵后带来的数据稀疏的影响。同时为了提高个性化推荐, 采用自适应核密度估计方法捕捉用户的空间偏好, 增强用户的个性化体验, 进而提高推荐质量。在此基础上, 设计了一种新的兴趣点推荐算法。实验结果表明, 该算法能有效地提高推荐准确率和召回率。
为解决传统再入飞行器轨迹制导方法对强扰动条件适应性不足, 难以满足终端约束的问题, 在深度确定性策略梯度学习框架基础上, 通过对随机强扰动条件下的离线飞行轨迹进行网络训练, 寻找不同环境影响条件下的最优动作网络, 以用于在线干扰条件下的制导轨迹规划, 可通过对再入飞行攻角和倾侧角剖面的周期性预测, 满足再入飞行终端高度、航程和速度约束。仿真实验结果表明: 在满足终端高度约束的条件下, 最大终端剩余航程偏差小于500 m, 最大终端速度偏差小于35 m/s。本文所提制导方法较传统跟踪制导方法有较大的精度提升, 算法计算量小, 具有较好的工程应用前景。
在已知信息为稀疏轨道根数情况下, 针对非合作飞行器的机动参数识别问题进行了研究, 提出一种基于轨道反演的机动参数识别方法及相应的求解算法。首先, 建立轨道反演模型及机动参数识别优化模型。然后, 提出一种“全局寻优+局部修正”的双重优化算法。最后, 对提出的机动参数识别方法进行了仿真校验。结果显示, 双重优化方法能够有效求解本文的优化模型, 所提方法在误差允许范围内能够有效识别机动参数。研究为有限信息下的非合作飞行器的机动识别提供了一种思路, 一定程度上保障了空间飞行器的在轨安全。
低轨高密度星网因其覆盖范围广、能够对弹道目标进行全程跟踪而受到广泛的重视。针对低轨星网对多弹道目标协同跟踪问题, 提出一种基于卡方分布和无迹卡尔曼滤波(unscented Kalman filter, UKF)的多目标协同跟踪滤波算法。该方法首先在卡方分布的假设下, 设计了一种基于测量平面的数据关联指标函数, 实现量测值的分配; 在此基础上采用变结构滤波框架对多弹道目标进行状态更新; 最后给出了多目标状态估计性能的评估指标。数值仿真实验证明, 所提算法可以有效地实现多目标在测量平面上的数据关联, 并以较少的计算量对多目标进行准确估计。
弹道导弹主动段长周期轨迹预报能够为导弹防御系统提供早期预警信息。传统的轨迹预报方法大多集中在导弹的自由段与再入段, 通过解析法、数值积分法或函数逼近法推断未来时刻目标的状态。由于弹道导弹在主动段会受到多个未知作用力的影响, 其轨迹预报相比自由段与再入段更具挑战性。为此, 本文提出了一种基于长短时记忆(long short-term memeory, LSTM)网络的弹道导弹主动段轨迹预报方法。首先, 根据导弹主动段动力学模型与弹道参数典型取值生成用于网络训练的大规模轨迹样本; 其次, 设计了基于深度LSTM网络的弹道导弹主动段轨迹递归预报方法; 最后, 与基于数值积分法、多项式拟合及反向传播神经网络的轨迹预报方法的实验对比, 表明了所提方法在主动段轨迹预报上的优越性。
针对高速自旋飞行体运行过程中噪声特性无法准确获取的问题, 提出了基于改进自适应扩展卡尔曼滤波(adaptive extended Kalman filter, AEKF)算法对量测噪声进行自适应调节, 并在扩展卡尔曼滤波(extended Kalman filter, EKF)的基础上提出了一种基于对状态变量新的建模方式的EKF算法, 提高算法的实时性。采用北斗/捷联惯性导航系统(strapdown inertial navigation system, SINS)组合导航方案, 在EKF的基础上, 引入带遗忘因子的噪声估计器, 通过AEKF对组合导航数据进行融合, 对量测噪声进行估计。仿真结果表明, 所提出的组合导航方法对高速自旋飞行体的姿态和位置定位误差较小, 与无改进的AEKF相比, 具有更好的收敛性。
针对现有研究中无人作战飞机(unmanned combat air vehicle, UCAV)近距逃逸机动的自适应性不足和战术性匮乏问题, 提出一种将模糊专家系统与双策略竞争的可选外部存档差分进化算法(external archiving differential evolution algorithm with dual strategy competition, DSC-JADE)相结合的逃逸机动决策算法。通过对战术知识的学习, 建立模糊专家系统, 将逃逸决策过程通过滚动时域划分为离散片段, 根据模糊专家系统决策得到机动动作, 在其控制量对应的可行域内, 采用改进差分进化算法(improved differential evolution, IDE)进行寻优得到最优控制量, 完成逃逸机动决策。在UCAV处于劣势的初始条件下进行仿真验证, 证明DSC-JADE算法相较原始差分进化以及其他传统群智能算法搜索能力更强，采用专家系统相较不采用专家系统逃逸决策能力更优。
针对传统惯导/卫导组合导航在复杂环境下易受干扰，观测量异常从而影响导航性能的问题，提出了基于鲁棒扩展卡尔曼滤波(extended Kalman filter, EKF)的组合导航方法。设计了基于微惯性导航系统(micro-electro-mechanical system-inertial navigation system, MEMS-INS)、全球导航卫星系统(global navigation satellite system, GNSS)及视觉里程计(visual odometry, VO)的融合框架，给出了在GNSS信号失效情形下的导航滤波模型，并将EKF与Huber方法结合，克服观测量受噪声干扰时对导航性能的影响，以提升系统鲁棒性。经仿真和KITTI数据集验证，MEMS-INS/GNSS/VO组合导航方法在GNSS信号失效时仍能输出较高精度导航结果，且可以较好克服异常观测值对系统的影响，具有较高可靠性和鲁棒性。
弹性光网络(elastic optical networks, EONs)作为下一代极具潜力的光网络近年来受到广泛关注, 其中路由与频谱分配(routing and spectrum allocation, RSA)是实现网络设计和控制的核心技术之一。本文系统分析了EONs的概念内涵, 对RSA这一关键问题进行了详细描述, 从静态和动态角度出发, 以不同特性的算法框架为基础, 依照精确算法、智能优化算法、启发式算法以及学习型算法4个大类对RSA算法的国内外研究现状进行了总结剖析。结合EONs的未来应用需求, 阐述了该领域所面临的问题与挑战, 展望了RSA算法的发展趋势。
针对海上异构无线网络中现有的节点选择算法存在的实时有效性和与移动节点匹配性较差的问题, 提出了一种基于动态层次分析(dynamic analytic hierarchy process, DAHP)法和协同学原理的网络接入选择算法。该算法在满足多因素判决和静态节点网络选择的基础上, 采用DAHP法确定接入判决指标的主观权重, 运用协同学相关原理确定客观权重, 利用接收功率确定移动节点的位置权重, 并通过对主、客观和位置权重进行再分配, 实现了对移动节点周围的实时网络状态与任务通信需求的兼顾, 提高了算法实时性和与移动节点的匹配性。仿真结果表明, 该算法相对于基于传统AHP和协同学原理的网络选择算法、基于距离的移动节点算法, 能够在降低节点业务阻塞率的同时提高通信通畅度与实时性。
针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。
针对时间敏感网络(time-sensitive networking, TSN)中时间敏感流量的带宽分配, 必须要根据流量传输的实时性需求, 并考虑不同类型流量的占比, 提供具体的优化策略和带宽分配结果。首先, 基于网络演算方法, 建立时敏流量带宽分配评估模型; 然后, 根据实时性需求构建带宽分配的约束条件, 采用启发式方法, 实施带宽分配的优化; 最后, 通过案例, 验证带宽分配在不同链路负载率和流量占比下的变化趋势。实验结果表明, 采用基于信用量的流量整形机制, 当案例中A类型流量的带宽分配占比为70%时, 可获得最佳带宽匹配效果, 实现网络中所有流量端到端延迟和最小的流量传输。
放大转发中继系统中, 以提升能效为目标, 在保障各用户的最小速率需求下, 提出一种子载波顺序配对以及稀疏码分多址(sparse code division multiple access, SCMA)码本功率联合资源分配算法。将能效资源分配建模为一个混合型整数优化问题, 并将其拆分为子载波配对和码本及功率分配两个独立的子问题。首先, 预设码本和功率分配, 基于能效对子载波进行配对。然后, 在子载波固定配对的情况下, 基于能效码本采用最优信道选择的分配方法, 功率问题转化为含有参量的凹函数, 构建拉格朗日函数进行迭代求解。最后，码本和功率交替迭代优化直至收敛。仿真表明, 所提算法较其他方案可以提升约29%的系统平均能效, 同时也保证了每个用户的最小速率需求。
5G网络业务对基础设施的共用关系使得其业务故障逻辑更为复杂, 具体体现在业务故障间耦合关系的形成。其中抑制耦合作为一类特殊的业务故障耦合关系, 体现了业务故障间此消彼长、相互抑制的关联关系, 极大程度上影响着业务的运行情况。为了对抑制耦合影响下的5G业务故障进行分析, 本文基于对业务故障间抑制耦合关系的考虑, 提出了耦合故障树分析方法, 基于该方法本文实现了对抑制耦合关系影响下业务故障的解析评估。5G轮胎吊案例的分析与对比, 证明了本文所提方法的有效性。
针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题, 提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network, IDRN)。首先, 采集旋转机械一维振动信号进行数据预处理; 然后, 在深度残差网络的基础上引入了长短时记忆(long short-term memory, LSTM)网络, 其中, LSTM网络可以有效捕捉故障的时序信息; 在残差块中引入Dropout层提高了故障诊断的精度和收敛速度; 最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明, 该方法在堆叠多层网络模型时, 没有出现明显的网络退化现象, 与当前广泛使用的几种诊断方法进行对比实验, 表现出了较高的平均诊断精度和良好的适用性。
在传统飞机电源系统失效模式及影响分析(failure mode and effects analysis, FMEA)法中, 采用风险评价指标属性值简单相乘的方法计算风险优先数, 造成风险评价指标不精确, 且主观因素导致属性值发生微小变化, 影响最终评价结果。通过在发生度、严重度和探测度这3个风险评价指标中引入模糊逼近理想解排序法(technique for order preference by similarity to an ideal solution, TOPSIS)理论进行风险评价, 去模糊化和归一化后构造加权判断矩阵, 确定逼近理想解排序法的正负理想解, 根据相对贴近度大小对各故障模式进行风险水平排序。与传统失效模式及影响分析法的对比验证了方法的有效性和实用性, 可为飞机电源系统其他组件风险水平评价提供有效参考。
