基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

通信拓扑切换下的多飞行器协同拦截方法

针对通信拓扑切换条件下的多飞行器协同拦截问题，提出了一种基于扩张状态观测器的协同制导方法。建立协同制导设计模型，将协同拦截问题转换为视线稳定条件下的剩余飞行时间调节问题。为解决机动目标状态不确定的问题，将目标的状态视作扰动，设计扩张状态观测器来估计机动目标的状态，并在制导律中对目标的机动进行补偿。利用有限时间一致性理论进行一致性控制协议的设计，实现各飞行器剩余飞行时间的有限时间一致，并利用Lyapunov稳定性理论分析通信拓扑切换情况下闭环系统的有限时间稳定性，给出了系统一致收敛时间。仿真结果表明，在通信拓扑变换的情况下，设计的观测器能够有效估计目标状态，且协同制导律能够满足对剩余飞行时间的控制要求，进而实现协同拦截。     

空间自旋目标平动补偿与微动特征提取方法

针对空间自旋目标平动补偿与微动(m-D)特征提取问题，提出一种基于延时共轭相乘和微动分解的平动补偿与特征提取方法。该方法通过延时共轭相乘处理实现目标加速度估计，然后构建冗余的微动原子集，对加速度补偿后信号进行微动分解补偿，通过搜索补偿信号的最大谱峰获取目标的微动特征与速度信息。仿真试验表明,所提方法能够有效估计空间自旋目标的运动参数，并快速提取其微动特征。     

某靶用型无人机发动机空中停车故障分析

针对某新型靶机出现的发动机空中停车故障,对测控站记录数据进行分析,发现了转速采集系统和ECU控制系统存在的缺陷,并提出了解决措施。     

基于分数阶微积分理论的最优导引律设计

随着技术的发展及战场环境的日益复杂化,拦截机动目标的需求越来越大。然而传统制导律在拦截机动目标时存在制导精度差、末端过载突变的问题,故提出了一种基于分数阶微积分理论的最优导引律。首先,介绍了分数阶微积分的定义、性质及其数字实现方法;然后,分析了弹目相对运动关系,通过分数阶变阶次建模和最优控制理论推导出了分数阶导引律;最后,仿真结果表明：与传统比例导引法相比,所设计的分数阶最优导引律能够保持比例导引法良好的追踪性能且拦截时间能够缩短2s,末端过载值趋近于0。该方法解决了传统比例导引法在末端由视线角速率发散而导致的末端过载突变问题。     

射频阵列仿真系统的目标位置精度分析

射频阵列仿真系统是一种比较理想的导弹武器系统抗干扰试验环境,目标位置精度是射频阵列仿真系统的关键指标。阐述了影响目标位置精度的主要原因,并结合测量数据对其进行分析,为工程应用提供了参考。     

空间激光通信系统光斑小目标跟踪算法研究

在空间激光通信链路中，大气湍流、结构设计误差、平台扰动等因素为链路的精确对准和精密跟踪带来了困难。为提高激光链路的跟踪精度，首先对光斑跟踪过程中的影响因素进行研究分析，继而对跟踪算法做出改进。针对跟踪目标特性，设计了一种自适应模板目标相关跟踪算法，并搭建了基于粗精复合轴跟踪系统的实验平台，开展了实验验证。结果表明：与当前常用跟踪算法相比，该设计处理速度可达 1 kfps，目标跟踪位置与真实位置基本重合，目标跟踪准确率高于98%，在处理速度、跟踪准确率与算法鲁棒性上均有较大提升，具有一定的实用性。     

拖靶系统挂机安装角度计算

拖靶安全释放是拖靶系统正常执行任务的前提,拖靶挂机安装角度的优劣直接影响着拖靶的安全释放.依据拖靶释放特性建立了拖靶系统动力学模型,提出了拖靶安全释放的条件,给出了拖靶挂机安装角度的计算方法;通过实例对方法的正确性进行了验证,其结果直接应用于某新型拖机改装试验中,取得了满意的效果.     

英语习得与人为目的语环境的创造

"语言习得"与"语言学习"是外语教学理论研究中的两个重要概念,克拉申认为只有"习得"来的语言才能成为流利的口头表达,而"学习"只能起"监查"作用.在"学习"的条件下,通过营造人为目的语习得环境,以用为本,立足实践,学习者同样可以达到习得外语的目标.     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。