基于落角约束的超声速导弹制导方案研究

针对超声速导弹具有落角约束条件下的制导问题,提出了一种新的设计方案.首先,在中制导俯冲过程中,采用攻击预先设定的虚拟目标方案,达到期望的中制导末端性能指标;然后,开始末制导俯冲段,雷达开机实时攻击实际目标,使导弹在需用过载和导引头框架角约束条件下,以期望落角命中目标.仿真结果表明,该制导律具有期望的性能要求,易于工程实现.     

多机协同与多目标分配任务规划方法

多架飞机攻击多个目标区域是现代作战方式的重要特征,多机协同与多目标分配问题是提高团队作战效能的关键.针对该问题,综合考虑飞机能力差异、协同方式和任务环境的变化,提出多机协同目标分配的任务规划方法.建立了基于能力裕度评价的多机协同目标分配问题的数学模型.对多目标分配问题,通过约束飞机的能力裕度对分配方案进行筛选,保证在战场环境发生改变时任务兵力的完整性.仿真结果表明,采用这种方法得到的目标分配方案,适应任务目标突发性变化的能力更强.     

基于H∞控制的某空空导弹俯偏回路设计

针对某导弹飞行空域广、参数摄动大、鲁棒性强等控制特点,采用H∞控制的混合灵敏度和线性二次调节（LQR）设计了自动驾驶仪俯偏回路。其中,内回路采用LQR限定模型的不确定性界,外回路用H∞控制混合灵敏度设计控制器。仿真结果表明：所设计的自动驾驶仪可较好地抑制参数摄动,鲁棒性较佳。     

基于韦尔奇功率谱的雷达辐射源信号识别

应用韦尔奇功率谱原理提取信号识别特征参数,根据提取出的参数特点设计信号识别流程模型。从多种信号中检测识别线性调频信号、相位编码信号、频率编码信号。分析了特征的适用范围和信号环境。仿真分析该特征提取算法和识别方法的可行性。     

变量相关情况下基于马尔可夫链样本模拟的线抽样可靠性灵敏度分析方法

针对变量具有相关性的可靠性灵敏度分析问题,提出了一种变量相关情况下基于马尔可夫链样本模拟的线抽样可靠性灵敏度分析方法。在所提方法中,首先将相关变量等价转换为独立正态变量,然后采用基于马尔可夫链样本模拟的线抽样方法,求解失效概率对等价独立正态变量分布参数的偏导数,最后利用等价变换前后变量分布参数之间的解析关系和复合函数求导法则,求得失效概率对相关变量分布参数的可靠性灵敏度。为了解所提方法的效率和精度,对所提方法的可靠性灵敏度估计值进行了方差分析。由于所提方法采用马尔可夫链快速产生失效域中的条件样本,这些失效域中的样本可用来准确获取重要方向,并可作为线抽样的随机样本,因而该方法具有很高的抽样效率。算例结果表明,所提方法是一种计算相关变量可靠性灵敏度的高效率、高精度方法。     

基于常规多普勒滤波器组结构的合成宽带距离像性能分析

为了消除散布效应对宽带信号的不利影响,可以利用多个窄带信号合成宽带信号;同时,通过在子带内处理相干脉冲串,可进行杂波抑制、目标速度估计和区分不同速度的目标。然而,在子带内分别使用常规多普勒滤波器组,会引进多普勒散布效应所造成的输出失配误差,从而造成合成距离像的失真。分析了多普勒散布效应与子带常规多普勒滤波器组输出失配之间的关系,推导了运动目标通过滤波器组后所成高分辨距离像的距离走动公式,给出了适合子带常规多普勒滤波器组的目标速度临界值。仿真实验验证了以上结论。     

一种混合的扩展目标跟踪方法

与传统的目标跟踪不同,扩展目标跟踪（EOT）不忽略目标的轮廓特征,同时对目标的质心运动学状态和轮廓特征进行估计。基于随机矩阵的扩展目标跟踪方法用随机正定矩阵来描述目标的轮廓特征,并且建立了适合扩展目标跟踪的量测模型。为了改善目标机动时的跟踪性能,根据椭圆（体）与正定矩阵的关系,提出基于椭圆（体）拟合的扩展目标跟踪方法。进一步地,为了综合上述两类方法的优点,提出一种混合的扩展目标跟踪方法,能够根据目标机动与否在两类方法中进行选择。仿真结果表明,该混合方法的轮廓特征估计误差低于前述两类方法,质心运动学状态的估计性能也更好。     

基于双重分类深度学习的低空目标自动检测方法

由于图像数量多,因此准确、高效的目标检测是提升靶场光测图像处理自动化程度的关键步骤.针对低空目标图像及目标类型多、目标特性变化等情况导致传统目标检测算法适应性差的问题,提出了一种基于双重分类深度学习的低空目标自动检测方法.该方法基于深度学习目标检测框架YOLO V3,根据低空目标的亮度和形状的双重属性特征,将网络输出层...     

基于双目视觉的非合作目标自主姿态估计方法

针对在轨服务任务对于空间非合作目标的自主相对导航需求,提出了一种基于双目视觉的自主姿态估计方法。该方法以Markley变量描述目标的姿态运动,并利用双目相机对目标表面的特征点进行观测,利用特征点的运动规律与目标姿态运动的相关性,并通过容积卡尔曼滤波算法实现了对非合作目标角速度与自旋轴方向的估计。数学仿真验证了所给出的姿态估计方法,并分析了估计精度的影响因素。     

遥感图像飞机目标高效搜检深度学习优化算法

为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络（DNN）的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。