一种新的射频仿真目标位置控制方法与软件研究

针对射频目标仿真系统中目标位置的控制，本文通过对国内外目标位置控制的常用方法进行研究，提出一种新的通用目标位置控制方法，该方法适用于任何天线分布的面阵。利用这种新的方法编写了基于三元阵天线阵面的射频仿真目标位置控制软件，实现对多目标在天线阵面上多种轨迹运动下的高速准确的定位，并能实时监视目标的运动状态和运动轨迹。     

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析（G2DPCA)的合成孔径雷达（SAR）图像目标特征提取 方法。与主分量分析（PCA）相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不 是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析（2DPCA ）相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别 （MSTAR）计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征 维数的同时,又改善了识别性能,并且正确识别率在97％以上,且对目标方位变化具有较 好的鲁棒性。     

STSS红外传感器探测性能分析

随着导弹防御系统的发展,弹道导弹突防将受到更大的威胁,而弹道导弹中段是攻防对抗集中体现的区域。本文针对空间跟踪与监视系统(STSS),通过预估其红外传感器的关键性能参数,对其中段目标探测能力进行了分析,结果表明STSS将对弹道导弹突防构成严重威胁。     

一种新的无人机运动目标测速技术

为了满足无人机对运动目标的测速需求,提出一种基于机载光电侦察平台的目标测速算法。建立包括飞机速度、飞机姿态角速率、摄像机指向角速率等15个变量的测速数学模型,并分析测速误差的形成,推导了误差计算公式。仿真结果表明,在无人机目标测速过程中,角速率测量误差对目标测速精度影响较大,尤其是飞机的俯仰角速率误差、横滚角速率误差、摄像机的高低角速率误差对测速精度的影响更为明显,这为提高目标测速精度指明了方向。     

系列化构型运载能力设计余量留取方法研究

调研了美国航天型号研制中设计余量留取的情况,结合系列化构型论证工作,对运载能力设计余量留取问题进行了初步研究,分析了关键参数对运载能力的影响,针对不同目标轨道、系列化构型的差异,探索得到了运载能力设计余量差异化留取的方法。     

基于粒子群优化的多导弹动态武器目标分配算法

针对复杂多变的未来战场环境,对空防御系统需要实现对多个目标进行武器分配。由于传统静态武器目标分配（Static weapon target assignment, SWTA）模型受到很多因素的限制,无法适应战场态势的快速变化。为了解决多导弹的动态武器目标分配（Dynamic weapon target assignment, DWTA）问题,将对空防御过程离散为多个阶段,并根据战场实时态势数据构建了DWTA的数学模型,提出了一种改进的粒子群优化算法,引入了武器转火时间窗等约束条件,在算法中考虑拦截概率和导弹耗费等多个指标。最后通过大量仿真实验,验证了粒子群算法进行多导弹目标分配的合理性和有效性。     

多目标遥外测方案的探讨

介绍了对空中多目标进行遥、外测量的一种全新方案，该方案利用ＧＰＳ系统、＂倒ＧＰＳ＂测量方法对多目标进行综合测量，它的特点是遥外测合一。研究表明，该系统定位精度１０～２５ｍ，测量精度小于０．０８ｍ／ｓ，可以在空中多目标测量中得到应用。     

基于Transformer模型的卫星单目位姿估计方法

鉴于测量精度高、设备成本低等优点,基于单目图像的卫星位姿估计方法在交会对接、空间攻防等应用中具有广泛前景。得益于强大的特征提取与表达能力,卷积神经网络在目标单目位姿估计应用中取得了明显优于传统方法的性能表现,但已有基于卷积神经网络的方法存在诸如归纳偏置、绝对距离描述不直接、长距离建模能力不足等问题。聚焦卫星单目位姿估计应用需求,针对以上问题,创新地将Transformer模型应用于卫星目标位姿估计中,提出了一种新颖的端到端卫星单目位姿估计方法。首先,设计了一种基于关键点集合的卫星目标表示方法,并构建了基于该表示方法的损失函数,进一步,结合关键点回归任务特点,设计了端到端的关键点回归网络模型,并改进了用于特征提取的主干网络结构。在公开数据集上实验测试结果表明：本文方法实现了可靠、高效的卫星目标单目位姿估计,并取得了优于已有同类方法的性能。     

无须模板的阵列天线方向图综合设计方法

阵列天线方向图综合通常须选择适当的方向图模板。然而,目前还没有方向图模板选择方案的研究,因此无法保证现有模板的合理性。为避免所预设的方向图模板不可行,本文提出以最小化旁瓣最大值与主瓣最小值的比值为准则,构建方向图综合优化设计问题。该问题的不等式约束是非凸且耦合的。采用罚函数法将不等式约束引入目标函数中,然后设计一个光滑函数来逼近并替代目标函数中不可微部分,从而得到原问题的可微逼近问题,最后使用拉格朗日神经网络法求解逼近问题进而得到原问题的近似解。仿真试验验证了本文所提方法的有效性。