基于回波小波域时频分布的目标识别技术研究

应用Morlet小波计算并得到了2种目标动态回波的小波域时频分布特征，依据此时频分布的不变矩，应用模糊神经网络技术进行目标识别研究，取得了比较好的识别效果。     

一种简易无人机载大气数据计算机的设计

大气数据参数的采集和处理是无人机的关键技术之一。本文针对无人机的具体特点，给出了一种基于C51单片机的简易大气数据计算机的设计方案，并着重对系统的硬件和软件设计进行了分析和研究。实验表明该系统满足无人机的使用要求。     

MoM法分析目标面-线-面结构的散射特性研究

在准确分析目标隐身性能的基础上,对于目标面-线-面结构中导线与导体的连接问题,采用矩量法(MoM)进行分析.通过将结构中的导体与导线离散化,结合Costa基函数,很好地解决了目标面-线-面结构连接域中电流不连续的关键问题,获得了目标结构的矩量解和散射场.最后,通过Matlab编程与HFSS仿真进行比对,计算结果基本吻合,证明了结构中导线的引入使得隐身目标的电磁散射特性发生明显变化,并且验证了MoM法及Costa基函数在面-线-面结构散射场计算中的有效性和准确性,为隐身目标复杂结构散射特性研究提供了一种新的计算方法.     

基于贝叶斯优化的无人机路径规划算法

提出了一种基于贝叶斯优化算法的无人机路径规划方法。把无人机路径编码为离散时间上的速度和航向变化序列，每一步的速度和航向变化量都限制在无人机相应最大变化量之内，所以这种编码方法对应的物理轨迹是无人机可飞的。利用每代种群中的优良解集构造贝叶斯网络，用贝叶斯网络的结构体现染色体基因位之间的联系，用贝叶斯网络参数体现染色体基因位之间的联系程度。设计了一个多变量K2度量评价网络的优劣。用贝叶斯网络产生新的染色体以体现种群的进化，这取代了传统遗传算法的交叉和变异过程。如果不满足终止条件，则用新一代种群的优良解集构造贝叶斯网络，直到满足终止条件。仿真结果验证了算法的有效性。     

一种基于误差四元数的飞行器姿态跟踪系统的滑模控制器

对于参数不确定和外部扰动的空间飞行器姿态跟踪系统，本文提出了采用滑模控制的方法。利用误差四元数建立数学模型，选择了一类线性滑动流形，并且基于李雅普诺夫函数推导出滑模控制律。理论分析及仿真结果表明，本文所求控制律对空间飞行器跟踪系统具有全局稳定性和鲁棒性。     

基于MEMS陀螺和加计的微惯性测量单元研制

微惯性测量单元具有成本低、体积小、功耗低和抗冲击等优点,可以应用在车辆稳定控制、平台稳定及导航控制系统中,具有广阔的市场应用前景.详细介绍了采用三轴MEMS陀螺和三轴MEMS加速度计研制的微惯性测量单元硬件设计,对信号进行预处理、陀螺漂移补偿、降噪等处理.所研制的低成本MIMU经过补偿后零位漂移保持在:X轴、Y轴、Z轴,可以应用到普通导航领域.     

雷达信号的模糊聚类分选方法

随着现代电子战的激烈对抗,复杂体制雷达迅速增加并逐渐占居主导地位,侦察接收机接收到的雷达信号更加复杂和密集.为克服传统信号分选算法的局限性,采用基于模糊聚类分析的雷达脉冲信号分选方法,此方法能利用雷达信号的特征参数有效地分选出非常规和常规雷达信号.首先介绍模糊聚类的基本原理,并进行信号分选仿真实验.仿真结果证明分选结果较理想,验证了此方法的有效性和可行性.该方法易编程实现,适用于处理大量数据,是一种解决密集复杂脉冲信号分选问题的新途径.     

圆柱共形缝隙阵列的相位补偿方法研究

对圆柱共形缝隙阵列的相位补偿方法进行了研究。首先根据对偶原理,给出了任意方向放置的缝隙单元的远场计算公式。然后根据叠加原理推导出圆柱共形缝隙阵列的远区场计算公式,并通过相位补偿方法使共形阵列的电磁特性接近于平面阵列。最后对9×9圆柱共形缝隙阵列、其对应的平面阵列以及相位补偿后阵列的远区场实际算例进行验证分析。结果表明,通过相位补偿可以对共形阵列的电磁特性进行改善。     

多传感器协同探测证据理论分类融合方法

随着智能化、网络化集群作战等理念和技术的兴起,精确制导武器越来越向智能化、协同化方向发展。多传感器协同探测能够针对不同的探测任务背景和作战需求,提升目标探测性能,还可以跨域整合多种探测平台。但是由于信息的不确定性等特点,使得多传感器数据直接融合可能造成决策困难。因此,在证据理论体系下对信息融合的有效性进行合理分析与度量是很有必要的。提出了一种基于Deng熵的证据理论分类融合算法,以熵减为主要思想,将证据进行分类融合。在决策过程中,将含有证据数最多的类别融合结果作为总体融合结果,避免高冲突证据的影响,提升融合结果的信息有效性。采用算例说明了所提方法不仅能够得到合理正确的结果,并且融合可靠性较高,便于决策与后续的信息处理。     

基于深度学习的地空导弹发射区拟合算法

目前地空导弹发射区的拟合算法主要是多项式拟合法和BP神经网络拟合法。多项式拟合法存在函数形式难以确定、函数范围不易分段等问题,且拟合精度较低;传统神经网络方法要想达到较高精度,需要大量的隐层节点,且在隐层节点数增加到一定程度后,训练变得十分困难且精度很难继续提高。同时,传统神经网络需要大量的标签数据,进一步增大了实际应用的难度。为此,基于深度学习理论,设计了一种基于堆栈稀疏自编码器（SSAE）的深度拟合网络（DFN）,并给出了相应的训练策略。仿真实验表明其相比传统算法具有更小的拟合误差优势。所设计的深度稀疏自编码器网络可以克服多项式拟合和传统神经网络的不足,不仅可以在大量无标签数据和少量标签数据条件下进行学习训练,而且可以进一步提升地空导弹发射区的拟合精度。