试验

联合防区外武器完成首次飞行测试 雷锡恩公司的联合防区外武器C-1完成首次自由飞行试验，从而使世界上第一个具有网络功能和移动海上目标攻击能力的防区外武器接近初始作战能力。     

可变形翼战术导弹飞行动力学联合仿真研究

基于集中质量假设发展的一套适于可变形翼导弹的多体运动模型,以附加惯性项及快变气动参数的形式来反映弹翼变形对导弹动态特性的影响,涉及交叉求解不同弹翼外形对应的气动特性及运动方程.由此提出的一种基于Missile DATCOM与MATLAB/SIMULlNK的联合仿真方法,应用于典型轴对称导弹的变翼动态特性研究中,快速有效...     

基于卫星和星敏感器的冗余激光惯组在轨标定

采用高精度卫星导航速度、位置信息以及星敏感器提供的姿态信息设计十表冗余捷联惯组的标定模型,包含陀螺和加速度计的零次项和标度因数,对卫星和星敏感器辅助的冗余激光陀螺捷联惯组进行实时在轨标定.利用标准Kalman滤波和Sage-Husa自适应滤波作为估计算法,对十表冗余捷联惯组参数进行在线估计.数值仿真结果表明:参数标定精度均在7％以内,是一种实时的在轨标定方法,满足误差补偿要求.冗余惯组在轨标定方法为航天器高精度定姿和定轨提供了一种理论参考.     

某型装备轴承件无失效时的可靠性参数估计

针对寿命服从威布尔分布的某型装备轴承件在无失效数据时的可靠性参数估计问题,首先,以失效概率为待估参数,取其先验分布为Beta分布,在2个超参数的先验密度函数为2种不同情形下,建立了失效概率的2种EBayes估计模型,分析了稳健性、渐近性和单调性;然后,对威布尔分布参数进行了加权最小二乘估计,进而建立了可靠度的2种E-Bayes估计模型,分析了稳健性和单调性;最后,结合实例数据进行了可靠性参数估计与分析,指出第2种估计模型更加合理有效。     

基于作战环和联合信息熵的体系作战效能评估方法

针对信息化条件下体系作战效能评估难的问题,首先借鉴作战环的建模思想将各作战要素抽象为节点,要素之间的关系抽象为信息链路边和对抗行动边,构建作战网络模型;然后基于信息熵量化节点和信息链路边的不确定性,基于联合熵量化对抗行动边的不确定性,在此基础上给出了体系作战效能评估的具体流程;最后以战斗机突防作战体系为例进行分析,验证了提出方法的可行性和合理性。     

基于被动探测的目标磁扰动信号检测与定位

针对目标探测定位的快速发展中,军事领域主动雷达存在的缺陷和实现具有高度隐蔽性的目标检测技术的需求,提出一种基于被动磁矢量测量的目标扰动信号检测与定位技术.该方法利用磁传感器阵列测量目标产生的磁矢量扰动信息,通过滤波、门限检测、基函数展开等技术将有效扰动从复杂的背景场中提取出来,并结合速度估计、磁梯度张量矩阵算法研究任意...     

小卫星侦察星座性能评估研究

针对小卫星侦察星座性能评估问题,从覆盖、成本和弹性三方面对小卫星侦察星座的性能指标进行研究,分别构建了考虑存储容量约束的覆盖能力评估模型、成本估计模型以及弹性能力评估模型。在覆盖能力评估模型中,将卫星存储容量作为约束条件,结合卫星覆盖几何模型分析了卫星对地侦察的工作条件,提出考虑存储容量的覆盖指标计算方法;通过小卫星成本模型(small satellite cost model,SSCM)对星座各分系统的成本进行估计;在弹性评估模型中,提出了星座性能损失率指标,并根据星座失效状态概率函数确定了不同失效状态下星座性能损失率的权重。将上述模型应用于SkySat和吉林一号星座的性能评估过程中,结果表明SkySat比吉林一号覆盖能力强、成本低,弹性差。提出的三个模型可用于评价星座优劣,为小卫星侦察星座的建设和性能评估工作提供参考。     

基于自适应容积粒子滤波的车辆状态估计

针对车辆状态估计中由模型的强非线性、噪声的非高斯分布等相关因素导致估计精度下降甚至发散的问题,本文提出了基于自适应容积粒子滤波(Adaptive cubature particle filter,ACPF)的车辆状态估计器。首先基于非稳态动态轮胎模型,构建高维度非线性八自由度车辆模型。其次利用自适应容积卡尔曼滤波(Adaptive cubature Kalman filter,ACKF)算法更新基本粒子滤波(Particle filter,PF)算法的重要性密度函数,以完成自适应容积粒子滤波算法设计。利用车载传感器信息,运用ACPF算法实现对车辆的侧倾角、质心侧偏角等关键状态变量高精度在线观测。搭建Simulink-Carsim联合仿真平台进行了算法的验证,结果表明该算法状态估计精度高于传统无迹粒子滤波(Unscented particle filter,UPF)算法,且算法运算效率高于UPF算法,而传统PF估计值发散。研究结果为实现车辆动力学精准控制提供了理论支持。     

自适应航天器态势分析系统

利用深度学习中的卷积神经网络理论,基于单目视觉系统和带有标识物的航天器影像,实现对航天器的三维姿态角、距拍摄点距离和相对拍摄中心偏移量的精准测量。利用机器学习理论实现网络自主学习样本特征,这一方式将大幅降低动态测量的误差。同时,这种测量方式也避免了人工提取特征的复杂过程,实现任意、精准、快速测量,对航天器在组装及发射过程中的姿态估计、距离测算起到关键性作用。