广义回归神经网络在MC-CDMA多用户检测中的应用

在简要介绍了反传(BP)神经网络,径向基神经网络(RBFN),广义回归神经网络(GRNN)的基础上,可知GRNN与传统的基于反传(BP)算法的神经网络相比,有收敛速度快,鲁棒性强等优点,本文将广义回归神经网络(GRNN)技术援引到MC-CDMA多用户检测中,进行了误码率和收敛性的仿真计算,表明了GRNN在多用户检测应用中的优越性和有效性。     

美国反TBM中段拦截的多杀伤器技术方案分析

概述了反TBM中段拦截面临的主要问题,归纳了美国近年来研究的、用于中段拦截的多杀伤器技术方案,并分析了发展多杀伤器必须解决的关键技术,如制导控制技术等.     

自适应融合滤波算法及其在INS/GPS组合导航中的应用

针对扩展卡尔曼滤波器(EKF)在系统模型不确定时存在鲁棒性差、精度低的问题,设计了一种基于交互式多模型(IMM)的自适应融合滤波(AFF)算法。IMM\|AFF算法采用两个模型来描述系统结构,且与每个模型相对应的Sage\|Husa滤波器和强跟踪滤波器(STF)独立并行工作,系统的状态估计则是两种滤波器估计的模型概率加权融合。IMM\|AFF算法兼具Sage\|Husa滤波器状态估计精度高和STF对系统模型不确定具有强鲁棒性的优点,克服了两种滤波器各自单独使用时的缺点。将IMM\|AFF算法应用于INS/GPS组合导航系统的仿真结果表明,IMM\|AFF算法的滤波精度和鲁棒性均明显优于目前工程应用中的EKF,特别是大大提高了INS/GPS系统的定位 精度 。
     

单次任务中主动清除多块碎片的仿真分析

针对国内外空间活动产生的碎片,文章采用多脉冲推力作用下的轨道机动仿真方法,在主要考虑总速度增量为2 km/s的约束条件下,计算碎片清除所需要的速度增量、任务时间以及清除个数。仿真结果表明,单次任务可以清除12块分布比较集中的碎片。研究结果可为我国今后空间碎片清扫任务的设计提供参考依据。     

无线通信网络DQRAP多址接入协议的改进

随着DQRAP协议输入率的逐渐增加,冲突解决频繁,从而出现了未传数据的空数据时隙(DS),使数据包等待时间增加、时延增大等问题。本文提出了一种改进的DQRAP协议,在该协议中,取消了不传输数据的DS,只有在控制微时隙(CMS)里传送请求,由此改变了原协议的时隙划分方式,缩短了数据时延,提高了协议的性能。仿真表明,在信道负荷的范围内(即输入率0到1之间),改进的DQRAP协议随着输入率增加,时延特性有明显的改善,而吞吐率几乎保持不变。     

雷暴天气下的仪表进近航段航线规划研究

雷暴天气会对飞机运行安全产生严重影响,在进近航段中若遭遇雷暴天气会导致改航不经济、实时性差、效率低等问题,采用改进的动态窗口算法（DWA）对雷暴天气下的进近航线进行仿真规划。算法前期通过建立DWA下的飞机运动模型及人为设定的雷暴轨迹进行模拟仿真,验证算法躲避雷暴改航仿真的功能性;通过对案例中的雷暴位移坐标进行时间相关的拟合,得到雷暴预测移动轨迹,并带入算法进行仿真;将实际改航航迹和仿真改航航迹进行图像的余弦相似度及经济性、实用性分析。结果表明：该算法能够对进近航段上的雷暴进行有效规避,并且轨迹光滑,经济可行,结合新航线技术具有较强的实用性。     

一种基于强机动的目标跟踪改进算法

针对传统目标跟踪算法鲁棒性较差等问题,提出了一种基于当前统计模型的无迹卡尔曼滤波交互式多模型(IMM-CS-UKF)融合算法。在交互式多模型算法框架内,计算当前统计模型的概率,提高了统计模型的目标加速度和自适应性。该算法结合了交互式多模型和无迹卡尔曼滤波算法,具有对不同机动模式目标的自适应跟踪能力和精度高等优点。仿真结果表明,该算法对以多种机动策略实时机动的目标具有较好的跟踪性能。     

对相控阵雷达的旁瓣欺骗干扰

提出了对相控阵雷达实施旁瓣干扰的方法，用此种方法可产生方位欺骗或方位多目标干扰。详细讨论了方位欺骗干扰系统的参数设计问题，最后对干扰样式进行讨论。     

区域防空组网雷达对跟踪目标交接班模型研究

组网雷达对跟踪目标进行交接班是对目标进行稳定跟踪的基础.在综合考虑组网雷达的作战背景的基础上,分析了接班雷达选择模型和交班时机选择模型.在接班雷达选择模型中,将定位精度和目标在接班雷达探测区域的飞行时间作为接班雷达选择的两个指标,并利用基于理想点的多属性决策方法进行决策,可保证对目标跟踪的连续性并防止频繁交接班情况的发生.最后对提出的交接班模型进行了仿真验证.     

Application of Road Information in Ground Moving Target Tracking

A new algorithm is developed to achieve accurate state estimation in ground moving target tracking by means of using road information. It is an adaptive variable structure interacting multiple model estimator with dynamic models modification （DMM VS-IMM for short）. Firstly, road information is employed to modify the target dynamic models used by filter, including modification of state transition matrix and process noise. Secondly, road information is applied to update the model set of a VS-IMM estimator. Predicted state estimation and road information are used to locate the target in the road network on which the model set is updated and finally IMM filtering is implemented. As compared with traditional methods, the accuracy of state estimation is improved for target moving not only on a single road, but also through an intersection. Monte Carlo simulation demonstrates the efficiency and robustness of the proposed algorithm with moderate computational loads.