多模式组合诊断技术在导弹导引头上的应用研究

阐明了四种类型的多模式组合诊断方法及其故障诊断的核心思想。以某导弹导引头的故障诊断为实例，详细描述了基于模糊理论、神经网络和粗糙集理论的三组合模式的诊断过程，并给出了诊断结果；介绍了我们研制的基于不确定性理论和专家系统组合的智能化故障诊断专家系统的应用。研究和应用实例表明：多模式组合诊断技术通用性和鲁棒性强。能够加快诊断速度。降低误诊率。尤其适合于复杂系统的故障诊断，具有很大的工程实用价值。     

基于箭体系的最佳解耦姿态控制方法

提出运载火箭姿态控制的一种最佳解耦控制方法。传统的运载火箭姿态控制，是通过对火箭在制导坐标系（发射惯性坐标系）中定义的欧拉角，形成俯仰、偏航、滚动三个独立回路的姿态控制指令，控制弹体姿态稳定、快速地跟踪指令姿态角。由于控制力矩是分别绕箭体轴给出的，而箭体轴通常与欧拉角的瞬时转轴不重合，所以造成三个控制回路的耦合（只有当偏航、滚动姿态角皆为零时才完全解耦），因此欧拉角控制的解耦问题成为许多学者的研究课题，并给出了一些解耦控制方法，但都比较复杂，实现困难。本文提出的最佳解耦控制方法是基于箭体坐标系的，该方法是根据实时确定的箭体系到指令箭体系的方向余弦矩阵，确定一组箭体系分别绕各轴的转角△θx1，△θy1,△θz1，即箭体各轴同时转动角△θx1，△θy1,△θz1，后可使箭体系与指令箭体系重合，这样便保证了解耦和最小转角的最佳控制。该方法成功地应用于大范围机动变轨控制，也将适用于其它轴对称飞行器的控制。     

离心加速声中液态浸渗纤维预制体动力学分析

在将纤维预制体视为“毛细管束”的基础上,采用达西定律建立了离心加速场中金属液浸渗纤维预制体的浸渗动力学模型。采用该模型分析了离心加速场中金属液浸渗纤维预制体的临界转速,考察了金属液浅注量、设备转速、铸件高度、金属液原如外半径以及纤维预制体孔隙率对离心加速场中金属 浸润纤维预制体的影响。结果表明,金属液浸润纤维预制体的临界转速只与临界压力、金属液的浇注量、铸件高度以及纤维预制休性质有关;增加金属液浇注量、设备转速及金属液原始外半径,降低铸件高度、预制体纤维体积分数,有利于金属液的浸渗。     

多传感器数据融合与弹道落点的预报

为了更精确地对弹道落点进行预报，对多传感器数据融合技术进行了,分批人出了雷达、红外系统和光测系统与传感器融合子系统连用的实例，并得出结论：单传感器的精度是难以满足现代战争需要的，寻求一种较好的融合方法来提高落点预报精度虽是一个难题，但仍是可行的。     

星载铷原子频标的可靠性强化试验

针对影响星载铷原子频标可靠性的环境因素进行了分析,确定了影响星载铷原子频标可靠性的主要环境敏感应力,根据可靠性强化试验理论和星载铷原子频标的技术特点,设计了可靠性强化试验方案。依据此方案对新研制的某型星载铷原子频标工程样机实施了可靠性强化试验。试验结果表明,该方案对确定该型号铷原子频标样机工作极限、激发其潜在缺陷,均有较好的效果,从而为实现星载铷原子频标的可靠性增长提供了新的思路。同时本研究对同类高可靠航天产品的可靠性增长可提供借鉴。     

一种在SAR图像中进行目标识别的多尺度模型

本文基于SAR相干成像的原理，利用当图像分辨率改变时，自然景物和人工目标班点模式变化方式的不同，提出了一种从自然景物中识别人工目标的多尺度模型，并研究了此模型在不同分辨率图像中的性质及应用。     

红外多光谱扫描仪主体设计

文中简要介绍了中巴合作地球资源卫星红外光谱扫描仪主体的组成和工作原理。     

再入遥测信道

再入遥测信道是一个变参信道。它明显地存在不同深度和不同速率的衰落现象。造成再入遥测信道衰落的主要原因是弹头运动造成传输媒质特性的动态变化。本文将多径衰落信道的基本理论运用于再入遥测。分析表明,除恒参信道中的加性噪声外,乘性噪声对再入遥测系统的设计具有更大的影响。因此,基于恒参信道的传输理论不能简单地用于再入遥测,特别是再入遥测的传输速率受到很大限制,从而给再入遥测系统带来新的特点。     

二维有限元多尺度小波

本文利用有限元插值和多尺度分析理论构造出了二维有限元尺度函数及相应的有限元多尺度小波。构造出的尺度函数及小波函数具有许多良好的性质，如短支集、高阶消失矩、半正交性、正则性和对称性等。     

基于粒子滤波的被动多基站跟踪算法

针对被动多基站跟踪的实际应用，提出了基于粒子滤波的被动多基站跟踪方法。该方法首先利用两个基站的观测数据融合目标位置，并用第三个基站的观测数据对目标位置进行检验，消除了错误融合位置；然后，推导了被动多基站粒子滤波模型，并根据被动多基站跟踪的特点，提出了顺序重抽样方法，有效地解决了被动多基站跟踪中的高度非线性、非高斯的影响；最后，给出了算法的性能仿真比较。仿真结果表明提出的方法性能明显优于其他跟踪方法（如PMHT、IMM-PDA）。