脉冲多普勒雷达回波信号数据压缩处理方法

为降低脉冲多普勒雷达测量高速目标时数据处理的难度，在分析目标多普勒频率和回波带宽的基础上，提出对经快速傅里叶变换（FW）后的采集数据进行压缩处理的方法，并阐述了其基本原理。研究表明，利用汉明窗可有效荻取多普勒频率，并在频域上进行数据压缩，既可保留目标的全部信息，又能获得较高的压缩比。     

基于波形综合的雷达目标识别的自相关法

讨论雷达反隐身技术中的目标识别方法。重点介绍基于自然频率的波形综合雷达目标识别方法。针对实际雷达目标均被噪声污染 ,提出一种抗干扰能力强的自相关函数算法 ,给出该算法的实现步骤 ,进行计算机仿真试验 ,仿真结果表明 ,所提出的雷达目标识别方法有效。     

星载合成孔径雷达目标定位研究

系统和深入地研究了星载合成孔径雷达（SAR）对地面目标的定位问题，详细阐述了利用卫星历表和雷达回波数据的距-多普勒参数对目标定位的方法，并用解析法推导出目标相对于星下点位置的计算公式，以及目标的地球经纬坐标公式，并且明确地给出了目标位置的计算程序。在此基础上还完成了关于地面目标定位误差的较完整的分析，导出了一套相应的计算公式，解决了文献中的一些遗留问题。     

多传感器目标识别的优化融合

对于工作在复杂环境下的多传感器目标识别系统,确保其稳健性和准确性的关键是有效处理被融合信息的不确定性。根据影响信息不确定性的因素,文章把传感器本地识别信息的可信度分为了统计可信度和环境可信度;采用最小二乘法和神经网络实现统计可信度的估计,自适应神经模糊推理实现环境可信度估计;并利用这两种可信度实现以一致理论为基础的多传感器目标识别的优化融合。经实验仿真证明,该融合方案是有效的。     

基于Boosting的模糊分类规则集成学习及应用

由于难于获得先验知识,样本可分性差,辐射源识别很难达到很高的识别率。结合AdaBoost算法和遗传算法,提出了一种模糊分类规则的迭代学习方法。在每轮迭代训练过程中,算法通过调整训练样本的分布,利用遗传算法产生分类规则。减少分类规则能够正确分类样本的权值,使得新产生的分类规则重点考虑难于分类和拒识的样本。在规则学习的适应度函数中考虑训练实例的分布,使模糊分类规则在产生阶段就考虑相互之间的协作,改善了模糊分类规则的整体识别能力。辐射源识别实验结果表明,该方法具有良好的分类识别性能。     

引战系统数学仿真中战斗部仿真的初步实现

研究了某导弹引战系统数学仿真中破片式战斗部仿真的实现。根据目标易损性,用蒙特卡罗法计算了战斗部对空中目标的杀伤作用,给出了炸点定位、破片飞行动力学系数、易损舱覆盖面积、杀伤区参数、破片对易损舱作用和易损舱杀伤概率的计算模型,并由此获得了目标杀伤概率和导弹单发杀伤概率。介绍了设计的引战系统数学仿真模型。该模型的作用和有效性在该导弹的闭合回路靶试中获得了验证。     

RECAT间隔标准的差异性对比与计算分析

尾流是影响机场容量的重要因素之一,在保证安全前提下缩减尾流间隔能增加机场繁忙时刻航空器进离场架次,进而提高机场容量.美国和欧洲提出尾流标准重新分类(RECAT)概念,并在一些机场试运行,取得良好效果.基于国内某机场一周内航空器起降机型架次,将其重新分类,对比在现行ICAO和RECAT标准下的加权尾流间隔,证明在RECAT标准下尾流间隔将会缩减.通过改变不同航空器机型占比,分析机场容量变化,得出机场容量随航空器占比变化明显,对空管安全运行和机场及跑道运行效率提高具有实际参考价值.     

飞轮振源特征参数提取方法及其分布特性

为了从飞轮微振动输出中提取飞轮转子的振源信息，提出利用鲁棒回归辨识飞轮在升速过程中各主要阶次的振幅对转速的二次幂系数，并将其作为飞轮的振源幅值特征参数；为探究参数的分布特性，利用Weibull分布拟合多个飞轮在同一阶次的特征参数，并计算出特定概率点的分位数。振源特征参数的分位数既系统地展示了飞轮振源分布情况，亦可作为振源分级判据。将该方法成功应用于50 Nms飞轮的振源特征参数分布研究中，为该型飞轮的超静性能筛选和设计改进提供了判定准则和参考依据。     

三个素数猜想的证明

采用新的构造方法,把不规则分布的素数进行分类,即把单个素数a都同时表示成等距的区间[a,a＋h]（a为任意素数）,在[a,a＋h]中的元素为自然数,将[a,a＋h]中对应位置有相同情况,或都是素数,或都不是素数的为同一等价类,其中每个[a,a＋h]中至少有一个素数a,h取不同自然数时,分类方法不同,显然[a,a＋h]的等价类的个数在h有限时是有限的,小于2h/2。     

Hierarchical object oriented classification using very high resolution imagery and LIDAR data over urban areas

Urban land cover information extraction is a hot topic within urban studies. Heterogeneous spectra of high resolution imagery—caused by the inner complexity of urban areas—make it difficult. In this paper a hierarchical object oriented classification method over an urban area is presented. Combining QuickBird imagery and light detection and ranging (LIDAR) data, nine kinds of land cover objects were extracted. The Spectral Shape Index (SSI) method is used to distinguish water and shadow from black body mask, with 100% classification accuracy for water and 95.56% for shadow. Vegetation was extracted by using a Normalized Difference Vegetation Index (NDVI) image at first, and then a more accurate classification result of shrub and grassland is obtained by integrating the height information from LIDAR data. The classification accuracy of shrub was improved from 85.25% to 92.09% and from 82.86% to 97.06% for grassland. More granularity of this classification can be obtained by using this method. High buildings and low buildings can, for example, be distinguished from the original building class. Road class can also be further classified into roads and crossroads. The comparison of the classification accuracy between this method and the traditional pixel-based method indicates that the total accuracy is improved from 69.12% to 89.40%.