机载火控雷达抗干扰仿真系统设计

研究模拟雷达抗干扰过程以及分析雷达抗干扰技术,提出了机载火控雷达抗干扰仿真系统设计思路,详细分析了该系统的各模块功能、处理流程和关键技术等。该系统不仅能够运行回波生成模块以及信号处理模块,而且能够在已有的基础上对各模块进行优化设计。在不同的干扰条件下,采取不同的抗干扰技术,同时在雷达电子对抗过程中,可以实时地采集各关键环节的信号数据。该系统在验证雷达抗干扰技术效果方面具有很高的应用价值。     

基于Simulink的DS/FH混合系统的同步技术仿真研究

在MATLAB/SlMULINK平台上,实现了DS/FH系统的等待搜索自同步的仿真.对等待搜索自同步原理分析的基础上,建立了同步模型,分析了该系统的工作过程.仿真结果表明,利用Simulink仿真DS/FH的同步系统,物理概念清晰,方法简单、实用,可以加深对同步过程的理解,减少硬件开发周期.     

涂敷目标RCS数值分析与并行计算研究

进行了矩量法在计算涂敷目标雷达散射截面方面的研究.详细推导了将RWG基作为基函数时,任意涂敷目标的电磁流方程表达式.鉴于矩量法计算量过大,耗时太长,使分析与优化遇到实质性的困难,结合RWG基函数特点,在对具体的矩阵方程求解时采用了并行处理.通过计算结果和精确结果对比,证明了此种方法的准确性和有效性,同时并行方法的使用大大降低了计算时间.     

提高测量RCS的扫频方法精度研究

为提高测量RCS值的扫频方法的精度,从环境要求入手,提出了改进环境的基本措施,给出了一些解决的办法;最后通过测试技术手段消除了隔离误差.从结果可以得出测量的精度达到要求.     

基于改进稀疏A~*算法的无人机航路规划

为使无人机具有在复杂环境下快速有效规划的能力,针对无人机航路规划中的稀疏A*算法进行改进,提出基于预生成点的变步长稀疏A*算法。算法在存在可行航路的紧密威胁障碍之间预先生成备选航路点,然后通过带有约束条件的稀疏A*算法进行航路规划,且在航路规划过程中结合变步长思想,更好地规避威胁,并加快搜索,最后对生成的航路实现二次优化。仿真结果表明,相比稀疏A*算法,改进的稀疏A*算法收敛速度快,具有更强的鲁棒性、可行性,且生成航迹具有更好的飞行品质。     

基于改进YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。     

变结构DDBNs的推理算法与多目标识别

 目前变结构离散动态贝叶斯网络（DDBNs）的推理算法存在的缺陷是计算量随时间片数的增加呈指数增长。为了解决这类网络的推理问题,引入前向后向算法的基本思想,提出一种新的变结构DDBNs的推理算法。在分析变结构DDBNs数据结构的基础上,定义变结构DDBNs的前向、后向算子,从理论上对算法进行了推导,它的计算量仅与时间片数成线性关系。并且把该算法应用于识别空中多目标的变结构DDBNs,通过有效融合“交战行为"节点信息,使识别系统的鲁棒性显著增强。仿真结果验证了推理算法的有效性。     

基于串口通信的虚拟仪器平台的设计与测试

设计了一套基于串口通信的虚拟仪器平台。系统硬件采用DSP平台和PC平台协同工作的模式,其中DSP芯片为协处理器,负责信号采集和预处理。PC平台负责信号分析与工作状态控制,用户可以通过开发好的PC平台软件完成对系统的控制,PC机与DSP的通信采用串口实现。分析了串口通信质量对信号测量的影响,实验结果显示串口通信稳定可靠,通信误码对信号分析影响不大,能够满足串口通信虚拟仪器平台的需求。     

改进的基于本征滤波的时域宽带波束形成

为实现基于本征滤波宽带波束形成的频率不变性和零陷设计,提出一种改进的方法.基于最大能量阵列代价函数和主极大方向阵列响应线性约束构造的优化模型,将阵列空间响应偏差整合入代价函数,从而实现频率不变性的设计;提出了两种零陷设计的方法,将扩展旁瓣能量整合入代价函数和添加干扰方向阵列响应线性约束,构造两个新的约束优化模型,最后均由本征滤波的方法求解.仿真实验表明,该方法能在通带范围内实现指定角度范围内阵列响应的频率不变性和零陷效果,同时具有低旁瓣增益,验证了本文算法的有效性和良好性能.      

基于MADDPG的多无人机协同任务决策

针对多无人机任务决策方法研究中传统优化算法难以在短时间内得到期望结果的问题,基于深度强化学习提出一种无人机多智能体深度确定性策略梯度(MADDPG)算法,通过允许无人机在学习时使用全局信息,在应用决策的时候只使用局部信息的方法,从网络结构、状态空间、动作空间和奖励函数设计了MADDPG算法的模型结构。最后通过仿真实验,并对比深度确定性策略梯度(DDPG)算法,验证了本文提出的MADDPG算法在保证精度的基础上,学习速度大幅度提高,弥补了传统强化学习算法在多智能体领域的不足。