一种基于优化设计的动目标检测方法及其运用

提出一种新的动目标检测(MTD)滤波器组设计方法,即通过设置目标处理通道和气象处理通道,其中目标通道采用自适应动目标检测(AMTD)处理方式,实时检测杂波的存在,根据杂波的强弱自动产生或选择滤波器加权因子,以保证抑制地杂波的同时,减少信噪比损失,提高对弱小目标的检测性能。仿真结果证明该方法是有效的,且在工程上有一定的实用价值。     

地球静止轨道在轨服务技术研究现状与发展趋势

地球静止轨道(GEO)是人类仅有的一条独特卫星轨道,是极其珍贵的轨道资源。首先分 析了GEO环境现状和未来趋势,然后从“GEO轨道保护”和“GEO卫星在轨维护”两方面论述 了GEO在轨服务技术的内涵、服务机会和效益,介绍了世界各国GEO在轨服务技术的主要研究 进展,归纳了其中的关键技术。最后,对未来的发展趋势进行了展望。
     

基于Adaptive Sigma-Point滤波的智能导弹对目标协同定位方法研究

在对智能导弹协同作战过程详细描述的基础上,提出了一种利用多枚智能导弹协同对目标定位的方法。考虑目标运动模型为静止模型和运动模型两种情况,将Sigma-Point滤波方法与过程噪声的自适应估计方法相结合,融合目标运动状态和目标到达角信息,克服了常规Sigma-Point滤波性能依赖于目标运动模型的先验统计信息的缺点。通过比较目标可能存在区域面积的大小,确定了参与协同定位的智能导弹数目和编队构型。仿真研究表明,多枚智能导弹协同对目标定位可以显著提高定位精度和速度。     

基于加速度分析的星载SAR-GMTI运动目标参数估计

针对具有加速度的地面快速运动目标对合成孔径雷达成像和参数估计带来的影响,提出了一种基于重聚焦的三通道运动目标检测方法.通过分析包含加速度的运动目标回波模型,使用广义二阶Keystone变换对杂波抑制后的通道数据进行距离弯曲校正,时频分析构造二次相位补偿函数校正剩余距离走动,并结合方位向傅立叶变换对运动目标进行聚焦成像.最后采用干涉处理技术求解运动目标参数矢量,完成目标的定位.仿真结果验证了该运动目标参数估计方法的有效性.     

基于递推贝叶斯的检测跟踪一体化方法

在雷达系统中,对雷达散射截面积(Radar Cross-Section,RCS)较小的快速机动目标的检测与跟踪是难点。本文提出采用基于递推贝叶斯原理的检测跟踪(Track-and-Detect,T&D)一体化方法提高雷达对这类目标的检测和跟踪性能。针对机动目标,用模型参数更新法来改进递推贝叶斯方法,即利用先验信息或实时估计的目标速度信息实时更新运动模型参数。对雷达实测数据的处理结果表明,该方法在机动目标的平均信噪比约为6dB时,即可实现在虚警率为10-3时检测概率达到0.9的指标。     

地面目标识别特征影响因素分析

地面目标可见光识别特征主要包括形状、颜色、亮度等。研究表明地面目标的可见光辐射主要是反射太阳辐射,目标与背景在可见光波段的亮度对比取决于目标与背景的反射率。大气气象条件是影响目标识别特征的主要因素。     

运动目标的全极化一维成像方法研究

提出了一种新的运动目标全极化一维成像方法,该方法利用解线性调频处理的小场景回波成像特性,使用小于发射脉冲宽度的时间延迟来实现不同极化通道之间的隔离,既能克服瞬时极化测量体制受发射波形特性限制的缺点,又能抑制传统分时极化测量体制长时间间隔导致的目标极化特性去相关效应.建立了运动目标的回波模型,分析了各相位因子的性质,针对不同的相位因子特性提出了相应的补偿方法:首先利用目标互易性原理对不同极化通道之间的相位差进行补偿,然后根据最小熵值准则实现对时延一次项和高次项精确补偿.仿真结果表明本文方法的有效性.     

非线性三维变结构鲁棒自适应制导规律的研究

在三维球坐标系下建立了导弹与目标的相对运动模型,把目标加速度视为一类有界干扰,针对大机动目标提出了一种基于零化导弹与目标视线法向速度的三维变结构鲁棒自适应末制导律,并根据Lyapunov方法设计了参数自适应律.通过计算机数值仿真验证了导弹与目标的相对视线角速度最终趋向于零,验证了制导规律的正确性和有效性.     

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。     

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.