单极化雷达的散射矩阵测量新方法及其外场实验研究

针对现有装备的雷达系统不具备极化测量能力,而开发专用极化测量系统复杂度高,设备量大代价高昂的问题,本文利用国防科技大学研制的瞬态极化雷达实验系统,研究并针对一种新的极化测量算法进行了外场验证实验。该方法不需要两路正交极化发射接收设备,仅需在目标稳定跟踪阶段利用波束在空域扫掠目标过程中极化状态发生变化的固有属性对目标回波序列进行采集和处理即可实现目标极化散射矩阵的测量,外场实验和数据处理结果验证了算法的正确性。该方法对于利用天线特性来解决设备量相对较小,跟踪制导体制下目标特性测量,反隐身目标、抗干扰,低空突防和对抗辐射攻击等重要问题提供了参考依据。     

加权最小二乘—卡尔曼滤波算法在动基座对准中的应用

利用卡尔曼滤波算法进行估计需要给定初始状态估计值和初始误差方差阵.通常,初始状态估计值和初始误差方差阵由经验给定,而初始状态估计值和初始误差方差阵的选取影响着卡尔曼滤波的估计精度.文中提出了加权最小二乘-卡尔曼滤波算法,并运用到惯导系统动基座初始对准中,进行了仿真.仿真结果表明,利用加权最小二乘算法可得到更加精确的卡尔曼滤波的初始状态估计值和初始误差方差阵,提高卡尔曼滤波的估计精度,进而提高了初始对准的精度.     

基于神经网络结构化组合的下行链路SINR预测

针对无线蜂窝系统下行链路信道SINR预测方法存在的只能对单一信道参数场景进行一步预测、预测误差较大等不足,根据信道参数变化场景下SINR序列相关性的变化,对长短期记忆网络(LSTM)和前馈神经网络(FNN)进行结构化组合,提出一种基于LSTM-FNN预测模型的SINR预测方法,并通过预训练-全局训练策略和迭代调优策略对组合网络进行较好地训练。仿真实验表明,LSTM-FNN模型相比于传统的自回归积分滑动平均模型(ARIMA)和单一FNN、LSTM网络,在信道参数变化场景下具有更好的SINR预测性能,且时间复杂度的增加在可接受范围内。     

AA 7055铝合金板材的微观组织与力学性能

研究AA 7055-T7751板材不同厚度层的力学性能,并采用电子背散射衍射(EBSD)、透射电子显微镜(TEM)、小角度X射线散射(SAXS)等分析技术研究板材不同厚度层的微观组织。结果表明:从板材表层到厚度中心,再结晶程度从69%下降到19.1%,亚晶粒尺寸从10μm减小到2μm;板材厚度中心主要为轧制型织构,远离中心层其含量逐渐减少,板材表层主要为剪切型织构;板材主要强化相为盘状η'相,其盘面半径为3.7 nm,厚度为1~3 nm,与基体的共格应变约为0.0133;板材不同厚度层沿轧制方向的拉伸屈服强度近似呈线性变化:σ_y=-38.7S+604.8(0≤S≤1)。     

捷联式惯导系统动态误差特性研究

根据载体运动状态下捷联惯性导航系统(SINS)的误差方程时变的特点,推导出捷联惯性导航系统动态误差模型,并对其在几种动态环境下的误差特性进行了仿真研究。     

几种主要陨石类型的Hugoniot参数

根据各类陨石的模式化学组成或矿物组成,采用比容叠加法计算了铁陨石,ＥＨ和ＥＬ群顽辉石球粒陨石,Ｈ,Ｌ和ＬＬ群普通球粒陨石这几种主要陨石类型的Ｈｕｇｏｎｉｏｔ参数,计算结果与已表的同灰型陨石的冲击波压缩数据一致。     

基于飞行数据反演解算的 SINS空中标定技

针对机载 SINS定期拆卸并进行实验室标定存在的维护效率低、标定周期不合理的问题,提出一种基于 GPS/SINS组合导航仿真飞行数据反演解算的免拆卸空中标定方法。在对飞行数据拟合插值的基础上,利用飞行数据序列和 SINS反演算法解算出惯性器件的输出增量,以引入误差后的惯性器件输出值作为 SINS的输入进行纯惯导解算,并以 SINS和 GPS输出的速度误差作为系统级标定 Kalman滤波器的观测量,对惯性器件误差项进行滤波估计。仿真结果表明,这种标定方法可较好地估计出 SINS中的误差项,实现了 SINS的免拆卸标定,降低了对 SINS定期标定的要求。     

电动阀门用快速凝固高温铝合金制备工艺的研究

本文系统介绍了一种电动阀门用快速凝固高温铝合金的制备工艺，其中包括雾化工艺，除气工艺及挤压工艺。通过合金制备工艺的优化，确定了最佳工艺参数，使合金的力学性能达到了设计使用要求。     

基于速度误差的系统级标定方法

为降低捷联惯导系统误差参数标定过程对高精度转台的要求,提出一种基于速度误差的系统级标定方法。在惯性器件误差参数模型和捷联惯导系统误差方程的基础上,以惯导系统转动前后的导航速度误差为观测量,编排设计旋转方案,对加速度计和陀螺的误差参数进行拟合标定。仿真结果表明,与传统的分立式标定方法相比,在保证标定精度的同时,对高精度转台的要求更低,可应用于外场标定。     

基于自助法的小样本数据分析方法研究

自助法（Bootstrap）和随机加权法（Bayes Bootstrap）都是较好的处理小样本数据的方法,其无先验性,以及计算过程中只需要实际观测数据的优越性,使其广泛地应用于实际数据处理之中,后者的估计精度要更好些。但对连续情况而言,自助法的计算特性使得重抽样本局限在原始样本范围内,无法渐进于真实情况。文章基于自助法研究了用改进的样本经验分布函数来解决这个问题,并通过仿真算例说明方法的有效性。