一种红外多传感器对中段弹道空间邻近目标的联合超分辨弹道估计方法

 分析红外焦平面(IR FRA)对中段弹道空间邻近目标(CSO)的成像特点,指出星载红外传感器为实现对空间邻近目标的跟踪必须对其进行超分辨。提出了一种中段弹道空间邻近目标联合超分辨与弹道估计新方法。该方法结合红外焦平面成像模型和中段弹道动力学模型,使得能够同时利用红外多传感器的多帧信息,基于最小二乘准则建立联合超分辨弹道估计目标函数,并分析选择各目标的起始状态参数作为模型参数。针对目标函数的高维非线性特点,推导最小化意义下等价的降维目标函数,采用量子粒子群优化算法最优化该降维目标函数直接求解模型参数,进而计算出各目标的弹道和辐射强度,实现中段弹道空间邻近目标的联合超分辨与弹道估计。仿真结果验证了该方法的有效性,且相比于传统的先单传感器单帧超分辨、然后多传感器多帧测角数据关联与滤波方法,新方法在避免数据关联复杂问题的同时,其弹道估计精度更高、分辨能力更强。     

浅析互有位移图像序列的超分辨率复原

超分辨率图像复原的目的在于复原截止频率之外的信息,以使图像获得更多的细节和信息。基于互有位移序列图像进行的超分辨率复原,除了利用物体的先验信息和单幅图像的信息之外,还充分利用了不同图像之间的补充信息,因此其超分辨率复原能力高于利用单帧图像的复原法。这项技术可以广泛应用于遥感、高清晰电视和医学成像等多个领域。通过对超分辨率复原技术理论基础的阐述,指出基于序列图像的高分辨率成像技术的合理性,并介绍对互有位移图像序列的获取方法:亚像元动态成像系统、光学系统和利用压电陶瓷的方法。     

量子超球神经网络在振动故障检测中的应用

提出了一种基于量子超球神经网络的液体火箭发动机振动故障检测方法,采用可变量子超球代表发动机工作模式,自然地提供了反映故障程度的概率幅;网络的离线学习算法可以从训练样本中自动提取发动机振动知识,监测算法不仅能正确预报故障,还能在线学习新的振动信息。试验数据检验结果表明：量子超球神经网络可以成功用于液体火箭发动机振动故障检测。     

基于压缩感知的高分辨DOA估计

研究基于压缩感知的多目标DOA估计问题.利用空间目标空域的稀疏性,提出一种新的DOA压缩感知模型,其感知矩阵满足约束等容(RIP)条件.提出一种基于奇异值分解的多测量矢量欠定系统正则化聚焦求解(SVD-RMFOCUSS)算法.该算法在一定程度上克服了压缩感知重构算法无法用于低信噪比情况缺陷,且具有较低的运算复杂度.计算机仿真表明该算法性能优于传统DOA估计算法,能够对任意相关性的信号进行有效DOA估计,具有更高的角度分辨力及估计精度.     

超空泡推进发动机燃料能量特性比较

超空泡鱼雷实现高航速、远航程的有效途径之一是携带高能燃料--金属粉末燃料或金属基燃料.为了说明这些燃料的能量特性,结合水冲压发动机的工作特点,采用最小自由能法对各种燃料进行热力计算,并进一步进行能量比较.分析结果表明,铝粉是较为理想的燃料,镁基燃料不可取.热力计算和能量比较法可为燃料的选择提供依据,进而指导水冲压发动机的设计和试验.     

环境-1A超光谱成像仪相对辐射定标方法应用研究

介绍了环境-1A卫星上装载的新型有效载荷超光谱成像仪的工作原理。指出我国使用超光谱干涉仪尚处于试验阶段,对在轨数据处理方法还需要完善。文章针对干涉仪的数据立方体特性提出一种空间维的基于统计方法的在轨干涉数据相对辐射定标处理方法,并通过对卫星实际在轨数据的对比处理来验证其处理效果。结果表明,相对辐射定标处理可以修正CCD响应的不均匀性和入射光场的不均匀性,减小非线性相位偏移,提高复原光谱的精度。     

高应变速率超塑性的研究进展

1984年,Nech等首次提出高应变速率超塑性概念,近年来的研究成果表明,细小的晶粒尺寸和接近固相线的变形温度是获得高应变速率超塑性的重要条件。晶粒尺寸在2μm以下的金属基复合材料和粉末冶金材料,在10~(-1)～10~2S~(-1)应变速率范围内可获得很高的延伸率,增强体和合金中沉淀析出的难熔的弥散质点,可钉扎晶界,使细晶组织保持到很高温度。高速变形时的绝热加热往往使材料的实际变形温度升高至固相线温度以上,液相的存在与分布,使全属基体通过液体薄层剪切实现彼此滑动,从而大大改善材料的变形性能。     

高温合金GH1040外管电镀装饰铬

高温合金ＧＨ１０４０富含Ｎｉ，Ｃｒ，Ｍｏ，表面呈钝化状态，在其表面极难镀覆合格镀层，成为某型号产品的一个工艺关键。经过大量试验，本文提出一种特殊的活化液配方，再利用阴极活化处理，取得了镀层合格率１００％的效果。     

如何防止JT8D—217A／C发动机超温

针对JT8D－217A／C发动机超温现象发生的原因，制定了JT8D－217A／C发动机起飞EGT裕度监控方案，并利用此方案监控发动机，在中国北航空公司取得了良好的效果。