复杂运动下弹载雷达杂波建模方法

旋转是制导导弹为消除推力偏心、增强弹体飞行稳定性、提高打击精度所采用的一种重要手段。在导弹旋转飞行过程中，会产生马格努斯效应和陀螺效应，使旋转导弹具有特殊的动力学特性，这种特性表现为弹体除了绕自身的对称轴旋转外，还会产生进动与章动，弹体的复杂运动使杂波特性发生变化。本文提出一种对弹体的自旋、进动和章动进行精确建模的方法。仿真结果表明:与理想的正侧视模型相比，该方法能更加准确刻画导弹的运动特性，对弹载平台下的杂波进行更精确化的建模。     

基于IMF能量分布重构的目标检测技术

为提高海杂波中慢速目标的检测性能,提出了一种基于IMF能量分布重构的目标检测技术。该算法对原始信号尖峰区域经经验模态分解后得到的固有模态函数进行分段数据重构,计算前端IMF分量与后端IMF分量的能量比,并将其输入非参量检测器中进行目标检测。研究表明,相比于海杂波单元,目标单元尖峰区域有更小的前后端IMF分量能量比,适用于慢速目标的检测。     

大入射余角实测高分辨 海杂波数据幅度统计特性

基于Ku波段高分辨大入射余角(擦地角)海杂波数据,采用瑞利分布、韦布尔分布、对数正态分布、K分布和KK分布进行仿真,并与实测数据对比,分析了这些分布方式的拟合效果。结果表明,海杂波的幅度在大入射余角情况下基本还是逼近瑞利分布的,海杂波在某些距离单元上的幅度分布曲线尾部偏离瑞利分布,此时K和KK分布可在拖尾处达到更好的拟合效果。     

基于改进ALO-RBF的高频地波雷达海杂波预测模型

高频地波雷达是海上动目标检测的重要手段，其中海杂波是影响海面目标检测性能的主要因素。为了提高海杂波的预测精度进而有效抑制海杂波，本文提出了一种基于改进蚁狮算法（Ant Lion Optimizer，ALO）优化RBF神经网络的海杂波预测模型（MGPALO-RBF，Multiple elites dynamic guidance Ant Lion Optimizer based on Gaussian difference variation-based learning with Perturbation factor-radial basis function）。由于标准蚁狮算法具有易陷入局部最优且收敛速度慢的缺点，本文在蚂蚁进行随机行走的过程中加入扰动因子以增加种群的活跃性和多样性，并提出多个精英动态引导机制，强化算法前期的探索能力和后期的开发能力，同时对种群中较差蚁狮进行高斯差分变异以提高算法的收敛速度。仿真结果表明：改进的蚁狮算法在对比算法中具有更高的收敛精度和收敛速度，MGPALO-RBF模型具有更好的海杂波预测性能。     

无线电引信海面及目标多普勒回波仿真分析

频谱识别技术利用海面及目标回波的多普勒频差来滤除海杂波信号。为准确分析弹目交会时引信回波的多普勒频谱,采用了三维弹目交会模型对弹目不共面时引信回波进行模拟,利用等多普勒线划分海面区域进而计算海面回波多普勒频率,利用目标不同散射点合成的方法推导了目标回波多普勒频率的表达式,并在弹目飞行速率、弹目交会角及目标脱靶量等因素不同时对引信回波多普勒频率进行仿真,通过仿真分析得出了以上因素对引信回波多普勒频率的影响,并验证了频谱识别技术在不同交会条件下的有效性。     

鲁棒Kalman滤波及其在水下组合导航中的应用

在水下捷联惯导(SINS)/多普勒计程仪(DVL)组合导航系统中,当外部辅助信息受到野值等非高斯噪声污染时,选取调节因子γ为固定值将会降低基于Huber方法的鲁棒Kalman滤波(HRKF)算法的精度和鲁棒性。针对此问题,提出了一种基于马氏距离(MD)算法的调节因子自适应的鲁棒Kalman滤波(HRAKF)算法。首先利用MD算法对正常/异常的观测量进行辨识;进而建立γk递推关系式,并根据量测噪声特性对γ值进行实时调整;最后利用γk求取Huber权函数,并对量测噪声阵进行修正。选取8000s船载实测数据,分别利用Kalman滤波(KF)、HRKF及HRAKF算法进行水下组合导航半物理仿真试验。试验结果初步表明:在观测量受到野值或混合高斯分布噪声污染时,相较于KF和HRKF,HRAKF可实现更高精度、更加稳定的组合导航。