基于变迹滤波的MIMO-SAR图像分辨率增强技术

针对多输入多输出合成孔径雷达(MIMO-SAR)在近场目标散射特征诊断成像中,非正交旁瓣难以通过常规方法进行有效抑制的问题,分析了MIMO-SAR图像非正交旁瓣的产生机理,提出了基于空间变迹滤波(SVA)和三变迹处理相结合的旁瓣抑制方法。仿真和实验结果表明,本文方法不仅能很好地抑制距离向旁瓣,而且对于方位向非正交旁瓣也具有较好的抑制效果,提高了MIMO-SAR图像的二维分辨率和动态范围。     

航空制造多项目优先级模糊综合评价方法

针对企业多项目并行执行时可能出现冲突,提出多项目冲突优先的模糊综合评价方法,通过建立优先级评定矩阵、分类分解评判因素的层次结构、建立评价集、确定因素权重,最后建立多项目优先级模糊综合评价矩阵,从而确定项目的优先级关系,实现项目冲突消解。并以某型飞机机翼和机身制造项目为例验证了方法的可行性和正确性。     

战术数据链综合试验研究

战术数据链是一个传送战术信息的网络,有很强的军事用途。本文介绍了战术数据链的基本结构、时分多址组网方式以及编队通信流程,最后,对战术数据链地面综合试验程序做了较为详细的叙述。     

基于多维递阶熵的元胜任力模型实证

为了提升人力资源效用,减少用人风险,测评个体胜任力,针对七维度的元胜任力模型,提出了多维递阶熵决策模型.首先分析元胜任力性质呈现动态渐变的特征,进行信度和效度检验,然后通过层次分解和维数递进的方式,运用熵模型集结元胜任力的多个维度:概念能力、创造力、学习能力、反省能力、情绪能力、沟通能力、解决问题能力,获得综合测评值.最后,人力资源案例的实证研究表明,基于递阶熵计算元胜任力值,验证了元胜任力模型在实际工作中具有有效性和可行性,为提升人力资源效用提供了科学依据.     

非正侧视阵列机载雷达多空间角补偿算法

 非正侧阵列机载雷达的杂波分布随距离变化而变化,各距离单元的杂波分布不再满足独立同分布条件,造成统计型空时自适应处理(STAP)处理器性能下降。本文提出了一种多空间角补偿(MSAC)的非正侧视机载雷达杂波抑制方法,该方法先通过角度-多普勒补偿(ADC)预处理以消除在谱中心处的杂波非均匀,然后采用MSAC法在多个多普勒方向使参考单元和待检测单元的杂波谱保持一致,从而进一步消除在其余方位的杂波非均匀。仿真结果表明了该方法的性能明显优于ADC法,且运算量增加不多。     

基于单边带OOFDM的TDM/WDM-PON

文章首次提出了基于单边带光正交频分复用（OOFDM）的TDM/WDM-PON方案并建立了一个通道的系统模型。下行采用80Gbit/s的单边带OFDM信号,节约WDM通道带宽资源,减小色散的影响,OLT调整各ONU的子载波个数即可实现动态带宽分配。上行采用20Gbit/s的NRZ信号。利用半导体光放大器（SOA）的增益饱和特性实现了ONU的无色管理。对系统模型进行了仿真,并对结果进行了分析。     

随机环境应力冲击下基于多参数相关退化的导弹部件寿命预测

为了解决某型导弹部件的贮存寿命预测问题,提出了一种随机环境应力冲击下基于多参数相关退化的寿命预测方法。针对产品存在退化失效与突发失效两种失效模式,利用Wiener、Gamma及Inverse Gaussian等随机过程模型拟合各性能参数的退化数据,并采用Copula函数进行相关性退化失效建模;利用随机环境应力冲击解释突发失效的机理,并采用非均匀泊松过程对突发失效建模;进而建立退化失效与突发失效竞争的贮存寿命预测模型。实例应用说明所提方法能够反映出导弹部件的失效规律,比传统预测方法具有更高的预测准确性,具有较好的工程应用价值。     

空间非合作目标的多视角点云配准算法研究

为了提高相邻视角间稀疏扫描点云数据配准的速度和精度,实现多视角点云精确配准,提出一种基于KD Tree点云均匀采样简化算法,并且对传统四点算法（4 PointsCongruentSetsAlgorithm,4PCS）中的阈值参数进行了统一,确定了各误差阈值参数和点云密度之间的关系,通过基于姿态校正的方法有效解决了对称视角点云引起的误配准问题。仿真结果表明,该方法能够快速、有效地实现卫星稀疏点云的配准。     

基于预测碰撞点的剩余飞行时间估计方法

分别针对顺轨与逆轨拦截飞行轨迹的特点,设计了相应的剩余飞行时间（TGO）估计方法。该方法通过对弹目碰撞点的预测,降低了发射条件差异对TGO估计精度的影响。首先对线性比例导引运动方程进行变形,得到拦截弹飞行轨迹关于弹目距离的一阶微分方程,基于预测碰撞点,对不同初始发射角造成的积分结果误差进行修正,得出了2种拦截模式下的TGO解析表达式。通过与3种现有估计方法对比分析,验证了提出方法的实时性和估计精度,且能够优化制导性能。      

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。