某防空导弹制导控制半实物仿真系统设计

介绍了某防空导弹制导控制半实物仿真系统的设计,给出了仿真系统的组成。其中,导引头和天线罩安装于导引头仿真转台上,惯测装置置于位置速率转台上,并采用真实视线法进行半实物仿真。仿真和导弹飞行试验结果表明,该半实物仿真系统有效地模拟了飞行试验导弹的飞行过程,仿真试验具有较高的重复性和置信度。     

基于推力加速度模板的主动段弹道跟踪方法

对弹道导弹的主动段跟踪是导弹防御中重要的环节。针对此问题提出了一种基于推力加速度模板的主动段跟踪算法，该算法需要主动段推力加速度信息支持。给出了一种简捷的推力加速度模板构建方法。利用近常速运动模型描述了导弹运动特性，解决了对导弹发射时间的估计问题和模板概率的递推计算问题，并将该方法应用到空间预警系统中，通过仿真验证了该方法具有较好的识别效果，位置和速度估计误差都接近于CRLB限。     

卫星脉冲推力最优逃逸返回轨迹的非线性规划

重点研究了卫星通过轨道机动逃避碰撞、拦截并经一段时间后返回原轨道的逃逸方式。利用非线性规划理论建立了脉冲推力能量最省的逃逸轨迹规划模型，并考虑非球形摄动的影响对模型进行了修正。通过仿真验证了模型的正确性及求解的可行性，并分析了非球形摄动因素对逃逸过程的影响。     

对某距离自动跟踪系统测距误差的分析

根据某距离自动跟踪系统设计的实际情况，分析了系统中模拟数字（ＡＤ）转换电路、动目标显示（ＭＴＩ）与求模运算、波形分析和α－β滤波器所引入的测距误差，得出ＡＤ采样率和波形分析的内插点数决定了系统引入测距误差大小的结论。对实际工作参数的计算及校飞试验的结果证明，此距离自动跟踪系统引入的测距误差较小，满足雷达系统的要求。     

基于DPSA的几种全极化RWR前端升级方案

现代高技术战争条件下，电子战任务和电磁环境中威胁信号形式变得更加多样复杂，要求电子战支援系统（ESM）天线传感器能够接收和检测各种不同极化的威胁信号，即具有全极化接收能力。本文首先简要的介绍了一种性能优良的天线一双极化曲折天线（DPSA），然后提出了利用单个双级化曲折天线，将现有机载雷达告警接收机升级为全极化接收机系统的四种解决方案，其中重点介绍了基于极化组合/分解思想的第四种方案。     

SPACEBUS3000卫星平台及其测控系统

介绍了法国宇航公司ＡＥＲＯＳＰＡＴＩＡＬＥ研制的通信卫星平台ＳＰＡＣＥＢＵＳ３０００的主要电子系统结构和功能，着重介绍了它的测控系统部分，包括数管子系统和射频子系统的详细结构和功能划分，以及它们的设计方案。     

基于反馈线性化和变结构控制的飞行器姿态控制系统设计

在大姿态角的情况下，飞行器姿态运动的非线性因素和耦合因素不容忽略，使得传统的基于小扰动假设的近似线性化处理方法面临难以克服的困难。本文首先运用反馈线性化方法，将飞行器姿态通道线性化解耦成三个单输入单输出系统，然后运用分散滑动模态变结构控制理论对每个通道分别设计变结构控制器，以期使系统获得对参数摄动和外部扰动的鲁棒性。理论研究和数值仿真表明，所设计的控制系统可以适用于飞行器大姿态角飞行的情况，并对系统参数摄动和外部扰动具有较强的鲁棒性。     

GPS/速率陀螺组合Kalman滤波姿态确定算法研究

建立了GPS／速率陀螺组合姿态估计系统的模型，研究比较了三种典型的Kalman滤波姿态确定算法：状态扩充法、量测量求差法和时变噪声估计跟踪自适应滤波算法。给出了某航天器采用GPS／速率陀螺组合姿态确定的仿真计算结果，并对结果进行了分析。结果表明，与传统Kalman滤波算法比较，时变噪声跟踪自适应滤波算法和量测量求差滤波算法能较好地消除GPS测量中相关时变噪声的影响，提高姿态确定的精度；而且时变噪声跟踪自适应滤波算法能很好地消除由于噪声统计性能的不确定性对Kalman滤波的影响，提高姿态确定系统的性能。     

基于Lagrange方法的航天员舱外活动计算机仿真

在比较各种地面微重力模拟设备的优缺点的基础上，阐述了计算机动态仿真航天员舱外活动(EVA，Extra Vehicular Activity)的必要性。简要的概述了应用计算多刚体系统动力学对EVA进行仿真的步骤。描述了拉格朗日方程在仿真过程中的应用，建立了用于仿真的动力学方程。选取典型的EVA，得出了描述该EVA系统运动的拉格朗日动力学方程。利用反向运动学和反向动力学对该EVA进行了仿真计算，并对结果进行了分析。     

卫星CMAC神经网络姿态控制器设计及仿真

为提高传统卫星姿态控制系统精度,提出了一种基于小脑模型(CMAC)神经网络的比例-积分-微分(PID)的复合控制器。给出了具在线学习功能的复合控制器结构,并证明了神经网络学习收敛条件与最终控制目标的一致性。仿真结果表明,设计的控制器具有较好的自适应性和鲁棒性。与传统控制器相比,进入稳定状态的速度更快,指向精度更高。