反导预警雷达的优化配置问题研究

根据反导预警雷达的预警任务和配置要求,建立带有可调参数的反导预警雷达优化配置模型.首先,给出雷达对弹道覆盖范围的计算方法,并建立X波段多功能相控阵雷达的优化配置模型.其次,考虑实战中对预警时间和重叠探测区的不同需求,在P波段远程预警相控阵雷达的优化配置模型中引入了可调参数,使输出的方案能同时满足对预警时间和重叠探测区的作战需求.最后,通过实例分析验证了模型的可行性,并且发现预警时间最大化与重叠探测区最大化不能同时实现,反导作战指挥人员应根据实际情况选择适当的可调参数,输出满足实战需求的雷达配置方案.     

一种基于三角面元的目标RCS实用计算方法

提出一种计算复杂目标高频区RCS的实用方法。首先采用3DStudioMax对装甲车进行三角面元模拟,然后运用路德维格积分[1]和物理绕射理论(PTD)计算目标的雷达散射截面积,通过对方柱RCS的计算,验证了所提方法的有效性,最后给出了C波段和X波段不同极化的装甲车和坦克RCS的方位分布图。     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,对其滤波理论及算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

基于模糊认知图理论分析空间态势

空间态势已经成为现代战争战略制高点,某种程度上对于空间态势的认识和理解将直接影响战争的进程。态势分析是指挥决策的基础,是决策系统的关键环节,模糊认知图(fuzzy cognitive map,FCM)广泛地应用于动态分析和决策生成之中,有效地实现了专家知识与数值计算的充分融合,定性分析与定量计算结合切合了态势评估需要。     

基于微动调制的SAR新型复合有源干扰方法

在静态虚假目标的基础上,利用有源运动调制干扰原理,提出了一种基于微动调制的SAR新型复合有源干扰方法。建立了基于微动调制的复合有源干扰信号模型,详细分析了该干扰信号对SAR的干扰效果,确定了各调制系数,最后进行了基于实测数据的仿真实验。结果表明,该方法具有距离向相干处理和方位向部分相干处理的特点,可对SAR在方位向上实现多个匀(加)速虚假运动目标的欺骗干扰效果。     

高功率雷达对抗GPS制导武器研究

高功率雷达既具有对空情报雷达的功能,又具有高功率微波武器的功能,将会成为一种新型的多功能电子对抗装备。首先分析了GPS制导武器接收的GPS信号,高功率雷达对抗GPS制导武器的可行性;然后对对抗GPS制导武器接收机的功率进行计算,并对对抗效能进行了分析;最后结合实例进行仿真,验证了高功率雷达对抗GPS制导武器的可行性和有效性。     

混合粒子滤波被动定位算法

为实现空中机动单站对运动目标的快速无源定位,提出了一种基于测向交叉定位方法的混合粒子滤波算法.针对粒子滤波初始化存在的问题,该算法从测向交叉定位方法得到建议分布,利用角度测量对状态变量的约束关系产生所需粒子,避免了粒子滤波产生粒子时的随机性,减少了高维情况下所需的粒子数目,降低了运算成本,提高了粒子滤波的实时性能.与粒...     

基于虚拟样机技术的某小口径火炮射击仿真分析

针对某小口径火炮在射击过程中零部件运动特性难以通过实弹射击试验获取的难题,联合三维建模软件和动力学仿真软件,建立了该炮的动力学模型。通过仿真数据与实弹射击试验数据的对比,验证了模型的有效性。在此基础上,研究了该炮在射击循环中各部件的运动规律和承受的发射应力载荷,研究结果可为该炮关键零部件的疲劳寿命分析和火炮射击精度研究提供参考。     

基于参差中重频脉组的搜索雷达跟踪波束设计

为解决常规搜索雷达在强气象、地物杂波下目标检测性能下降的问题,基于目标先验信息,设计一种跟踪波束实现对特定目标的跟踪处理,对目标所在的波位采用参次中重复频率脉组的方式探测,有效扩展速度检测清晰区并抑制慢速气象杂波及强地物杂波,实现目标距离、速度双模糊的解算,提高对跟踪目标的检测性.基于先验信息实现目标距离、速度模糊解算,试验表明,通过采用基于参差中重频的脉组跟踪波束探测,能够提升搜索雷达对特定目标的检测能力,并实现重点目标的高精度测速,提高目标的航迹质量.     

Multi-scale traffic vehicle detection based on faster R-CNN with NAS optimization and feature enrichment

It well known that vehicle detection is an important component of the field of object detection. However, the environment of vehicle detection is particularly sophisticated in practical processes. It is compara-tively difficult to detect vehicles of various scales in traffic scene images, because the vehicles partially obscured by green belts, roadblocks or other vehicles, as well as influence of some low illumination weather. In this paper, we present a model based on Faster R-CNN with NAS optimization and feature enrichment to realize the effective detection of multi-scale vehicle targets in traffic scenes. First, we proposed a Retinex-based image adaptive correction algorithm (RIAC) to enhance the traffic images in the dataset to reduce the influence of shadow and illumination, and improve the image quality. Second, in order to improve the feature expression of the backbone network, we conducted Neural Architecture Search (NAS) on the backbone network used for feature extraction of Faster R-CNN to generate the optimal cross-layer connection to extract multi-layer features more effectively. Third, we used the object Feature Enrichment that combines the multi-layer feature information and the context information of the last layer after cross-layer connection to enrich the information of vehicle targets, and improve the robustness of the model for challenging targets such as small scale and severe occlusion. In the imple-mentation of the model, K-means clustering algorithm was used to select the suitable anchor size for our dataset to improve the convergence speed of the model. Our model has been trained and tested on the UN-DETRAC dataset, and the obtained results indicate that our method has art-of-state detection performance.