拦截高速目标的比例与反比例导引捕获区分析

针对拦截高速目标的作战特点,分析了比例导引(PN)与反比例导引(RPN)的捕获区。首先,通过分析拦截弹与目标的相对运动关系,推导得到了顺轨和逆轨的零控拦截条件,此条件由目标和拦截弹的速度前置角以及二者速度比确定;其次,以拦截弹和目标速度前置角为坐标系,推导得到了PN以及RPN捕获区以及各自导航比设置范围。PN的捕获区由逆轨零控拦截条件以及与其相切且斜率为1/(N-1)的两条直线构成,RPN的捕获区由顺轨零控拦截条件以及与其相切且斜率为1/(-N-1)的两条直线构成;然后,利用函数对称性将PN与RPN捕获区转换到同一坐标区间,得到了相同条件下RPN捕获区要大于PN捕获区的结论;最后,开展了四种情形下的仿真,验证了本文捕获区分析的合理性及有效性。     

点目标假设下的二维精度体系研究

点目标假设下,在二维圆概率偏差线性公式的基础上,给出了基于纵横向均方根误差分段的精确公式。同时应用概率论正态分布理论,对二维情况下均方根误差、圆概率偏差和概率偏差的相互关系进行了研究,通过理论推导和数值计算给出了二维精度指标相互转换的拟合公式,完善了满足工程应用的二维精度体系。研究结果可在精度指标的论证、设计和考核中使用。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

基于Murty方法的多目标跟踪快速算法

JPDA是一种有效的多目标跟踪算法，但算法的复杂度随着目标和观测值的增加而显著增长。为了减少JPDA算法所需要的存贮空间和计算时间，通过Murty方法，得到K个最优的目标与观测值对应关系，再利用这K个最优对应关系实现JPDA算法。仿真结果表明，新算法跟踪成功率与JPDA相近，所需的时间远低于JPDA算法。     

基于频域DPCA的星载SAR动目标检测、测速与定位

给出基于频域DPCA的星载合成孔径雷达 (SAR)动目标检测、测速及定位的实现方法。首先建立星载SAR沿航迹向三孔径天线空间几何模型 ,并详细分析星载SAR三孔径天线机理及信号特性 ,然后分析并推导基于频域DPCA实现对地面背景杂波淹没的运动目标检测、径向速度分量估计以及目标定位的方法。最后 ,计算机仿真结果验证其有效性     

海洋目标探测卫星的通用效能模型初探

为有效构建海洋目标探测卫星体系，建立一套能对各类卫星的海洋目标探测效果进行分析与评估的通用效能模型非常重要。初步建立了以目标探测概率为度量的海洋目标探测卫星通用效能模型，可用于光学成像、雷达成像和电子侦察卫星等。模型考虑了影响目标探测概率的三类主要因素即观测区域与目标特性、卫星平台参数和卫星有效载荷特性，分析了卫星技术性能指标和作战性能指标的相互关系，可作为海洋目标探测卫星体系需求分析、顶层设计以及效能评估的依据。并以大型舰船为探测目标用仿真结果说明了模型的适用性。     

“爱国者”雷达组网对TBM目标的拦截性能分析

研究了"爱国者"导弹系统对TBM目标的拦截性能,建立了PAC-2的拦截概率模型,依据"爱国者"导弹系统的相关参数进行了仿真分析,并给出了典型弹道下的拦截性能仿真结果.     

雷达／红外综合探测系统抗干扰能力的建模

选择目标探测概率这一性能参数衡量雷达/红外综合探测系统的抗干扰能力,建立了压制式干扰情况下该综合探测系统的目标探测能力的数学模型,并通过计算机仿真验证了该模型的适用性。     

反导系统中的目标识别技术及其发展趋势

指出了反导系统目标识别的难点和特点。回顾了反导系统中的红外识别技术和雷达识别技术,并探讨了反导系统目标识别技术的发展趋势。     

同步误差条件下的空间目标双基地ISAR自聚焦算法

以空间目标为研究对象,针对双基地雷达时间、空间及频率同步误差导致的逆合成孔径雷达图像散焦问题,提出基于离散多项式相位变换的自聚焦算法。算法首先将目标平动、转动及同步误差导致的相位项统一建模为高阶多项式,利用离散多项式相位变换方法估计高阶多项式系数并据此构建补偿相位项,完成高阶相位补偿。最后进行方位压缩得到高聚焦度的二维ISAR像。算法通过选取合适的延时参数及成像积累时间可得到高精度参数估计及相位补偿,理论分析和仿真校验了算法性能优于常用的非参数化自聚焦算法。