翼伞精确空投系统归航轨迹规划与控制

翼伞归航轨迹规划与控制问题是翼伞系统在一定初始状态下,利用自身可操作性,完成从初始位置到目标位置的转移问题。针对翼伞空投系统不同归航要求,规划出满足精度要求为圆径概率误差（ CEP ）小于40m的归航轨迹并经过一定量的控制完成翼伞空投系统精确空投任务。首先建立翼伞系统状态空间六自由度模型,并在此基础上提出系统简化稳态模型,通过最优控制方法,规划出满足空投要求的最优归航轨迹后对翼伞进行不断控制直至目标点。最后通过Matlab仿真试验,绘出翼伞系统归航轨迹图与控制变化图。     

基于排队论的协同防空作战效能分析

舰艇编队协同防空作战是未来海战的重要形式,运用排队论对舰艇编队协同防空的作战效能进行了研究。以排队理论为基础建立了舰艇编队协同防空的排队模型,运用理论分析得到了以整个编队毁伤目标概率为指标的防空效能。通过对防空效能的计算与仿真,分析了几个重要参数对防空效能的影响,为多层舰艇防空系统的设计与运用提供了理论支持。     

基于模型概率估计的两层交互多模型算法

在机动目标跟踪问题的研究中,针对转弯机动目标跟踪精度差的问题,设计了一种利用模型概率对模型集合进行实时计算的两层交互多模型算法。该算法由第一层目标转弯速率的粗估计和第二层目标状态向量的精估计构成,它利用第一层模型计算出的目标运动估计转弯速率,构建与当前目标运动状态匹配程度较高的第二层转弯模型集合,并将该转弯模型集合运用于状态估计中。仿真结果证明了该算法在针对转弯机动目标时仍有较好的跟踪精度。     

基于时滞兰彻斯特战斗模型的现代攻防对抗?

针对现代攻防对抗研究的复杂性,在分析已有的现代战争模型的基础上,充分考虑时间因素在作战中的影响,建立了反映双方对抗态势的时滞兰彻斯特战斗模型,并借助Matlab?Simulink工具箱,对模型进行了数值仿真实验。仿真结果表明：时间因素在现代攻防对抗中占据越来越重要的地位。最后依据所得结论,分别探讨了攻防双方为取得最佳战绩应当采取的对策,为武器装备发展规划、现代作战决策与军事练兵提供一定的理论指导。     

云重心理论在防空兵作战能力评估中的运用

防空兵作战能力评估是一个复杂的多指标综合体系,不仅与作战编组、部署、地形和敌我战场情况的处置等因素有关,而且还包含许多随机和模糊因素。在建模分析中各指标基本评定值确定比较困难。结合防空兵作战能力评估模型,运用“云重心”理论确定了评估模型中各指标基本评定值,增强了模型的可信度和可操作性。     

舰载雷达中频信号仿真设计与实现

为满足舰载传感器或武器系统论证、设计、试验、评估、训练等全生命周期的应用,对新型舰载警戒探测与跟踪雷达中频信号模拟器的系统体系和组成进行了探讨,介绍了系统的功能和技术指标,重点研究了软件无线电在雷达中频信号模拟中的应用、雷达电磁环境和目标回波仿真等一些关键技术,包括目标航迹模拟、目标回波模拟、杂波信号模拟、雷达接收天线仿真、雷达天线方向图仿真等.采用软件无线电技术和软硬件相结合的方法较逼真地实现了海战场复杂电磁环境下雷达中频信号的模拟.     

确定性理论在雷达型号识别中的应用

雷达型号识别是雷达对抗情报侦察的首要工作,是近一步分析雷达用途及相关武器系统的基础,也是高层次上的态势评估和威胁估计的主要依据.针对现代战争中电磁信号环境的复杂性,利用单一传感器很难对雷达型号进行准确识别,而基于确定性理论的不确定推理技术能将多个传感器在多个周期的侦察信息进行融合,所以采用确定性理论的数据融合技术,基于确定性理论的组合规则,采用分层式融合算法对雷达型号进行识别.仿真结果表明,该方法的识别结果令人满意,使采用单一传感器可能存在的无法识别或误识别等现象得到了明显的改善.     

浅海中非金属圆柱体的扰动电场

为研究主动电场作用下非金属圆柱体目标所产生的扰动电场分布,基于镜像法和区域网格化的思想,建立了浅海环境下非金属目标的二次电偶极子模型。利用该模型计算出目标周围不同位置处的扰动电场,并与边界元软件仿真结果进行对比,结果表明扰动电场水平分量误差小于3%。开展水池模型实验,实测结果与所提模型计算值基本一致,证明了所建立的二次电偶极子模型的准确性。     

基于SEA的炮兵声测和雷达组网的作战效能分析

反炮兵侦察是炮兵侦察的一项重要任务,声测和雷达是反炮兵侦察的主要装备.针对SEA方法的要求,提出了评估由炮兵声测和雷达组网作战效能的3个主要性能度量(MOP).结合信息化战场环境,建立炮兵声测和雷达组网的作战效能的动态评估模型,为其作战使用提供了理论依据.     

运动目标轨迹分类与识别

运动目标轨迹识别是运动分析中的基本问题,其目的是解释所监视场景中发生的事件,对所监视场景中运动目标轨迹的行为模式进行分析与识别,智能地做出自动分类.对轨迹有效性判断后采用K均值聚类,引入改进的隐马尔可夫模型算法,针对轨迹的复杂程度对各个轨迹模式类建立相应的隐马尔可夫模型,利用训练样本训练模型得到可靠的模型参数,计算测试样本对于各个模型的最大似然概率,选取最大概率值对应的轨迹模式类作为轨迹识别的结果,对两种场景中聚类后的轨迹进行训练与识别,平均识别率较高,实验结果表明该方法是有效的.