线性调频脉冲信号平均回波功率响应

推导了发射信号为线性调频脉冲、采用全去斜率技术的星载雷达测高计的平均回波功率响应的表达式，指出了相对高度为零的平均回波功率响应曲线的半功率点与参考高度值之间存在的偏差，并给出了跟踪高度值的校正曲线，以及跟踪斜率与有效波高的对应关系曲线。最后探讨了天线指向偏差对平均回波功率响应和跟踪结果的影响。     

用MTI多普勒处理机时无载波雷达信号的设计

具有反馈延时电路的多普勒处理器能够产生图钉状距离－速度分辨函数，该分辨函数是通过对由大量编码信号组成的无载波雷达信号进行处理而得到的。如果每一个编码信号都是具有一个主瓣而无时间副瓣的相关函数，那第只要对回波信号中的两个编码信号进行处理，动目标显示器（ＭＴＩ）多普勒处理器就产生图钉状距离－距离分辨函数，事实上ＭＴＩ多普勒处理器就是双脉冲相消电路的推广。当从固定目标或动目标反回信号的脉冲间隔时间与ＭＴ     

基于分数阶傅里叶变换的Chirp信号参数估计及恢复

分数阶傅里叶变换(FRFT)是傅里叶变换的一种广义形式。文章首先介绍了FRFT变换的定义;然后分析了Chirp信号的FRFT,在此基础上提出了在噪声背景下恢复Chirp信号的两种方法:一种是基于参数估计,另一种是基于分数阶傅里叶域上的滤波来实现信号重构;最后通过仿真验证了上述分析的可行性。     

短脉冲信号的天线旁瓣响应

讨论了信号在很短的持续时间内，天线旁瓣区域接收的信号波形。可以发现，输出信号的波形与输入信号的波形是完全不同的。给出了分析理论解释并举例说明了这些影响，还证实了分析的有效性。提出了多种用途。     

具有容错性的自重构机器人变形原理

自重构机器人通过自主变形来适应环境和任务的需要，它具有低成本、多样性、自修理和容错性等特点。本文针对系统的容错性目标，深入研究了具有容错性的自重构机器人的自组织变形方法。首先建立能够表达失效模块信息的系统结构描述模型；然后建立自重构机器人的模块运动规则；提出可以实现容错性的自组织变形算法。在系统出现失效模块的情况下，机器人依然能够有效完成指定的任务。本文以平面正方形晶格机器人翻越障碍物为例对变形原理和算法进行了验证和仿真。     

"全球鹰"无人侦察机--"大气层侦察卫星"

在伊拉克战争中,美军动用了空军的“全球鹰”和海军陆战队的“龙眼”以及陆军的“影子200”等十几种不同用途的无人机。由于在阿富汗战争中,美军损失了两架“全球鹰”,致使该型无人机的库存数量更加吃紧,当时仅有4架,此战只使用了两架“全球鹰”无人机。但是,这两架“全球鹰”无人机却在伊拉克上空执行了数次作战任务,搜集了4800幅目标图像。据统计,在美空军所进行的452次情报、监视与侦察行动中,“全球鹰”的任务完成率占5%,为美军提供了“广泛的作战能力”。     

多卜勒相位量化对定标信号的影响

在内定标设计中，生成的定标信号为模拟回波信号，与雷达射频信号相比，除了经过时延、衰减等处理之外，还加入定位向的相位信息。本文分析了进行多卜勒相位调制时，相位量化对信号匹配滤波器输出的影响，给出了量化ｂｉｔ数的下限。     

灵敏度温度自补偿薄膜压力传感器的研制

溅射薄膜压力传感器具有长期稳定性好、耐高温等优点,但是由于受弹性体材料自身特性的影响,传感器的灵敏度温度误差大,大约在1.5×10-4~2×10-4/F.S℃,是导致传感器测量误差大的原因之一。在弹性体上设计加工灵敏度温度补偿电阻,使应变电阻和灵敏度温度误差补偿电阻可以在同一时间感受温度,比在后续电路上进行温度补偿,温度响应快。对灵敏度温度自补偿压力敏感元件进行设计与研制。实测结果表明,采用灵敏度温度自补偿工艺技术的敏感元件,灵敏度温度误差较小,可以控制在0.25×10-4/F.S℃以下,传感器的温度性能得到了提高。     

用雷达图像作非协同式空中目标识别：识别率作为信号带宽函数

尽管非协同式目标识别与高可靠敌我识别极其相关，但一直是一个有等解决的问题，过去提出并研究了许多方法，如：利用目标的红外、声学、光学或雷达特征等，其中一些方法是无源法，其优点是不会对被观测目标发出报警，不足之处是观测距离有限，边缘分辨率低，本文介绍的方法是在利用飞机雷达图像的基础上提出的，所研究的是一维雷达图像（通常所说的高距离分辨率剖面图）和二维逆合成孔径雷达（ISAR）图像。     

两种自适应检测方案的比较

对两种自适应检测方案，Ｋｅｌｌｙ的广义似然比检验（ＧＬＲＴ）和平均电平自适应检测（ＭＬＡＤ），进行了比较，两种方案检测性能ＰＤ的预测量在输入噪声为时间独立但空间相关的零均值复高斯随机变量以及有两个信号幅度呈端利分布的假设条件下进行的。ＰＤ是作为虚警概率，输放通道数，每个通道的独立采样数以及匹配滤波器输出信号噪声功率比等参量的函数来计算的。本文的分析表明：ＧＬＲＴ比ＭＬＡＤ有更好的检测性能。当使用较