基于相减式信号抵消的带内隐藏干扰检测

为实现对通信信号的实时监测,提出一种带内隐藏干扰检测方法。该方法先利用解调结果重构期望信号,然后通过时延估计及自适应滤波使其与接收信号中的有用信号在时间、幅度和相位上尽量保持一致,最后利用相减式信号抵消技术将其从接收信号中消除,能够在不中断通信业务的前提下检测出信号带宽内隐藏的干扰。仿真结果表明,当信干比不低于6 dB、信噪比不低于3 dB时,期望信号、干扰信号与各自原信号的相似系数均能达到0.9以上,提取的干扰信号非常准确。将利用文中方法估计出的干扰抵消后,信号的星座图也得到了显著的收敛。     

大规模UAV编队信息交互拓扑的分级分布式生成

UAV编队信息交互拓扑的优化设计是保证UAV编队安全性和任务执行高效性的重要基础。目前队形保持下UAV编队信息交互拓扑生成算法局限于小规模编队,且优化目标单一。针对这一问题,采用了分级分簇结构扩展信息交互拓扑层级,以满足大规模场景,同时以提高编队续航能力和减少编队总通信代价为组合优化目标,提出了基于最小树形图的分级分布式领航-跟随者编队信息交互拓扑生成算法,并通过OMNeT++进行了仿真验证。实验结果表明在考虑位置误差传递迭代时,分级分布式领航-跟随者编队的总通信代价明显低于传统领航-跟随者编队,且通过周期性更新簇首,网络能耗更加均衡,提高了编队续航能力;在80架UAV编队规模下,分级分布式领航-跟随者编队生成算法能够在0.3 s内求解完成,相比于传统领航-跟随者编队算法,求解效率提高了约2.5倍;在100架UAV编队规模下,分级分布式领航-跟随者编队生成算法能够在0.4 s内求解完成,而传统领航-跟随者编队由于位置误差的传递迭代已不能保持原有队形。     

基于模糊聚类分析的无源雷达目标识别方法

针对无源雷达目标识别的特点,提出了基于模糊聚类分析的识别方法。首先分析了空中目标类型和目标表征,然后阐述了目标识别的原理和步骤,最后运用该方法对给定特征的空中目标进行了聚类分析,实验结果表明提出的方法是可行和有效的。     

基于广义回归神经网络集成的宽带波束形成算法

首先构造宽带波束成形所需要的协方差矩阵,利用基于粒子群优化算法对核主成分分析方法和广义回归神经网络进行了优化。在对神经网络的输入变量进行降维处理后,生成多个复杂度低的泛回归神经网络模型。利用提出的基于聚类启发式集成算法求出波束成形时的权系数,既考虑了网络的差异性,又考虑了网络的正确性。仿真结果表明,提出的基于聚类启发式神经网络集成的波束形成算法在网络结构十分简单的情况下,仍然具有较好的性能。     

基于多维特征的战场实体目标分群方法

目标分群问题也称为群形成过程,是态势估计中的一个重点和难点问题,属于信息融合中的高层融合范畴。现有的目标分群方法大多是将空间位置相近的目标聚为一类,极少有分群方法考虑到进行战场态势分析所需的位置、速度、航向、属性和类型等多维特征。为此,首先根据海战场态势分析需求,基于目标的特征属性定义了多维度欧式距离;然后综合利用分类与密度聚类两种分析方法,提出了一种战场实体目标分群方法,以综合实现战场实体目标的实时分群处理;最后,将该算法应用于一个军用场景的数据集上进行仿真实验。仿真结果表明了该方法在海战场环境中实现目标分群处理的可行性和有效性。     

一种航天器图像分类模型快速学习方法

为了有效分类空间目标,提出了一种航天器图像分类模型快速学习方法。分类模型的学习过程利用了分治思想,首先利用无监督聚类方法将图像数据集散列为类别桶,然后利用每个类别桶中的图像样本训练支持向量机完成学习过程。分类时利用支持向量机对待分类图像样本进行分类。实验结果表明,所提方法具有较好的实时性和准确率,能够为空间应用打下良好基础。     

扩链剂影响丁羟推进剂力学性能的谱系聚类研究

研究了11种扩链剂对HTPB／IPDI推进剂力学性能影响的分类规律。用谱系聚类方法分析了扩链剂对推进剂力学性能影响的相似规律,通过分类获得了不同类别扩链剂对推进剂力学性能影响的显著特点,所得结论与文献[1、23有较好的一致性,证明了结论的正确性。谱系聚类分析可为研究扩链剂的作用机理和研发新型高性能扩链剂提供一条有效途径。     

SOFT IMAGE SEGMENTATION BASED ON CENTER-FREE FUZZY CLUSTERING

Image segmentation remains one of the major challenges in image analysis.And soft image segmentation has been widely used due to its good effect.Fuzzy clustering algorithms are very popular in soft segmentation.A new soft image segmentation method based on center-free fuzzy clustering is proposed.The center-free fuzzy clustering is the modified version of the classical fuzzy C-means ( FCM ) clustering.Different from traditional fuzzy clustering , the center-free fuzzy clustering does not need to calculate the cluster center , so it can be applied to pairwise relational data.In the proposed method , the mean-shift method is chosen for initial segmentation firstly , then the center-free clustering is used to merge regions and the final segmented images are obtained at last.Experimental results show that the proposed method is better than other image segmentation methods based on traditional clustering.     

基于局域均值分解的冲击响应谱时域波形合成新方法

冲击响应谱时域波形合成技术是目前实验室环境下模拟实际复杂冲击环境的重要手段。文章在研究局域均值分解(LMD)方法和冲击响应谱时域波形合成原理的基础上,对实测冲击时域波形进行分解得到一组具有不同频率分布的PF信号分量,然后对不同频率分布的PF信号分量进行聚类分析并重新构造得到一组新的PF信号分量,使得PF信号分量的频率-幅值特性与设定的冲击响应谱试验条件一致。将重构后的PF信号分量组合即可得到合成后的冲击时域波形。数值仿真分析结果表明,基于LMD的冲击响应谱时域波形合成新方法生成的冲击时域波形能更好模拟真实冲击环境,冲击响应谱具有较好的控制精度。     

非确定-确定混合分群算法及其实现

在最小群变化(LeastClusterChanged,LCC)分群算法的基础上提出一种非确定-确定混合(Uncer tainy CertainyMixed,UC CM)分群算法。该算法利用非确定性分群的竞争特性,提高了网络的初始收敛速度,并保持了LCC算法的稳定性,同时利用优先级参数,提高了组网的灵活性。设计了UC CM算法的有限状态机模型,并基于模型对算法进行了模拟仿真,验证了算法的有效性。