Su-24瘫痪“宙斯盾”

正据有关媒体报道,2014年4月10日,美国唐纳德·库克号驱逐舰驶入黑海中立区水域,其目的是向俄罗斯针对乌克兰和克里米亚的立场进行恐吓并展示实力。作为回应,俄罗斯派出Su-24飞机对其干扰并绕飞美国驱逐舰。据报道,宙斯盾系统从空中锁定Su-24并拉起战斗警报,雷达探测出了目标趋近路线。然而所有雷达突然丢失目标,宙斯盾系统失灵,不能获得目标指示信息。Su-24却继续在驱逐舰上空进行战斗绕飞,前后达12次。同时,另有一架Su24在远处巡飞。据称,美军对宙斯盾采取了各种方式试图将其激活,但均无果而     

GaInP2外延膜中施主—受主对复合发光带的能量关量

通过变温与变激发强度的近红外光致发光研究了用ＭＯＣＶＤ方法、生长在ＧａＡｓ衬底上的Ｇａ０．５Ｉｎ０．５Ｐ（ＧａＩｎＰ２）外延薄膜的１．１７ｅＶ发射带的发光特性。１．１７ｅＶ发光带性质与０．９９ｅＶ及０．８５ｅＶ发光带的性质有着明显的差别。１．１７ｅＶ发光带的机理可用施主－受主对的复合发光来解释，其中施主－受主对系白处在Ｇａ格位上的Ｓｉ（ＳｉＧａ）及其最邻近的Ｇａ空位（ＶＧａ）所组成，记作ＳｉＧａ－ＶＧａ。考虑到ＧａＩｎＰ２中存在着很强的电子－格子耦合作用及其Ⅲ族子格子为部分有序，所以在施主－受主对复合发光中应计及Ｆｒａｎｃｋ－Ｃｏｎｄｏｎ位移△ＦＣ及该对在等效的部分有序势场中的相互作用能Ｅｓ（ＤＡＰ）。Ｘ—射线衍射实验表明，部分有序结构相当于成分调制，因而可用Ｋｒｏｎｉｇ－Ｐｅｎｎｅｙ模型来计算Ｅｓ（ＤＡＰ）值。这样，我们就导出了施主－受主对复合发光的新的能量表示式。     

实行学分制的探索与实践

高职高专教育是我国高等教育体系的重要组成部分。实行学分制教学管理制度已成为强化目标管理,以学生为本、因材施教、强化素质教育的必然趋势。本文在简要介绍学分制概况的基础上,以作者所在学校实行学分制的思路及做法,介绍了实施的部分内容,并对已经出现或可能出现的某些问题提出了解决办法。     

提高人的可靠性减少维修人为差错方法研究

对影响人的可靠性因素进行了分析,提出了提高人的可靠性和减少机务维修人为差错的方法。     

定数截尾试验下双参数指数寿命分布尺度参数的EB估计

本文讨论了在无替换定效截尾试验方案下,当产品寿命为双参数指数分布时,尺度参数(失效率)久的经验Bayes(简记EB)估计问题及其收敛速度。设在给定λ,μ下,产品寿命T服从双参数指数分布,其概率密度为 受试产品有n个,试验中前r个产品依次出现的失效时间为t_(1)≤t_(2)≤……≤t_(r)。令 则(x,y)为(μ,λ)的充分统计量。记(x,y)的联合边缘密度为f(x,y),若取二次损失函数,则λ的Bayes点估计为 利用密度函数及其偏导数的核估计,构造出λ的EB估计为 φ_(1n)(x,y)与φ_(1m)(x,y)的Bayes风险分别为 在一定的正则性条件下,我们证明了 这表明,λ的EB估计的收敛速度q可任意接近于1/2。     

高超声速战术导弹精确制导律设计

高超声速战术导弹以其固有的特点在高速目标拦截上应用前景巨大.如何针对高超声速战术导弹高速度、高不确定性的特点设计精确的制导律是导弹能否摧毁目标的关键.针对高超声速战术导弹和高速机动目标建立了相对运动模型,利用自适应滑模控制理论,设计了导弹的自适应精确制导律,并进行了仿真分析.结果表明,该制导律具有较好的控制效果.     

通信拓扑切换下的多飞行器协同拦截方法

针对通信拓扑切换条件下的多飞行器协同拦截问题,提出了一种基于扩张状态观测器的协同制导方法。建立协同制导设计模型,将协同拦截问题转换为视线稳定条件下的剩余飞行时间调节问题。为解决机动目标状态不确定的问题,将目标的状态视作扰动,设计扩张状态观测器来估计机动目标的状态,并在制导律中对目标的机动进行补偿。利用有限时间一致性理论进行一致性控制协议的设计,实现各飞行器剩余飞行时间的有限时间一致,并利用Lyapunov稳定性理论分析通信拓扑切换情况下闭环系统的有限时间稳定性,给出了系统一致收敛时间。仿真结果表明,在通信拓扑变换的情况下,设计的观测器能够有效估计目标状态,且协同制导律能够满足对剩余飞行时间的控制要求,进而实现协同拦截。     

高超声速飞行器再入轨迹多目标优化

针对飞行器再入轨迹多目标优化问题,提出了一种基于粒子群算法与层次分析法的综合求解策略。首先,根据飞行器的动力学模型以及再入约束条件,建立了飞行器多目标优化模型;然后,考虑到粒子群算法只能求解无约束单目标问题,采用罚函数处理飞行过程中的约束条件和优化目标;最后,针对不同约束及目标的权重对再入轨迹的影响,利用层次分析法建立包含主观评估信息的优化模型,采用粒子群算法优化求解满足相应约束条件的再入轨迹问题。仿真结果表明,该方法所生成的优化轨迹具有较高的精度和计算效率,并对设计者的主观需求有良好的体现。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。