卫星导航弱信号的变维卡尔曼滤波跟踪算法

复杂环境下的多普勒频移变化及信号功率衰减均会造成载波跟踪偏差较大甚至失锁,针对标准卡尔曼滤波算法跟踪机动目标时不能同时满足高动态及高灵敏度要求的问题,提出一种基于变维卡尔曼滤波的载波跟踪算法。引入机动和非机动两种载波跟踪模型,通过机动检测因子监视载波动态变化,实时高效地切换载波跟踪模型,从而实现对载波机动和非机动状态的自适应跟踪,抑制机动改变引起的较大误差突跳。理论分析和仿真结果表明,该算法在低至30d BHz弱信号环境下,相比基于标准卡尔曼滤波的跟踪算法,其在目标动态突变时相位跟踪误差减小约37.5%,频率跟踪误差减小约77%。     

基于HTN的变粒度作战计划快速生成框架

针对网络中心战中关于作战计划的新需求,提出了基于层次任务网络(HTN)的作战计划快速生成技术。在层次任务网络基本要素描述的基础上,结合军事术语详细地阐述了作战计划的基本要素,进而给出了基于目标匹配的任务生成和分解方法;采用专家系统技术,丰富了层次任务网络的分解方法,构建了支持变粒度的军事作战计划快速生成流程和算法。     

运载火箭随机振动环境试验条件的变带宽设计方法

针对运载火箭随机振动环境试验条件提出了基于能量等效思想的变带宽设计方法,通过采用分数倍频程数据处理方法,并确保各个频带内的均方根值与原随机振动环境的均方根值相同,有效解决传统的等带宽随机振动环境试验条件总均方根过高的问题。为了验证所提方法的有效性,通过典型管路产品进行了随机振动响应计算。结果表明,该方法既能够有效地对产品进行考核,又不至于对产品造成过考核。所提变带宽设计方法可为运载火箭随机振动环境条件的合理设计与分析提供有效手段。     

防抱制动系统基于最佳滑移率的滑模变结构控制方法

建立了防抱制动系统的非线性、时变数学模型,实现了滑模变结构控制方法在防抱制动系统中的应用,提出了两种由递推最小二乘算法来计算最佳滑移率的估计方法:一种基于附着系数—滑移率曲线的数学模型,一种基于该曲线的形状。仿真结果表明了基于最佳滑移率的滑模变结构控制方案在车辆防抱制动系统中的可行性和有效性。     

地面慢速移动目标轨迹预测方法

在预测期较长的情况下,不确定因素将增加,对地面慢速移动目标轨迹预测的结果可能偏差较大.为了检验和提高预测结果的准确度,克服单一预测模型的不足,提出了一种改进灰色预测模型结合轨迹点转移概率的综合预测方法.通过引入缓变因子,并对原始数据进行自然指数变换,改进的灰色GM(1,1)模型能够控制其发展系数,提高灰色预测模型本身的精度.为了进一步检验预测结果,利用当前统计模型和分段整合的思想,并采用目标加速度截断正态概率密度模型,建立了轨迹点转移概率分布模型.仿真结果表明,该方法能够达到提高和保证预测精度的目的.     

基于RWC的机载SAR斜视成像仿真

通过建立机载合成孔径雷达的工作模型,介绍了SAR的基本成像原理,并针对机载SAR在斜视条件下,因距离走动量较大,对地面目标的成像受到严重影响的情况,详细分析了距离走动产生的原因。在傅里叶变换之前使用对距离走动进行校正的CS算法对经典的CS算法作出了改进,重点推导了改进后算法的实现过程,并通过Matlab仿真模拟地面目标物实现了CS算法在不同条件下的成像结果,证明使用改进后的算法在斜视角情况下成像质量有较大的改善。     

具有落角约束的对地攻击自适应变结构导引律

针对空对地攻击武器对地面目标的精确打击问题,提出了一种带落角约束的自适应滑模变结构末制导律。该制导律在自适应滑模导引律的基础上,引入落角约束项,可以满足制导精度和落角的双重要求。仿真结果表明,该制导律对地面活动目标的攻击既具有较高的制导精度,又可以满足落角要求,对空地精确制导武器的作战使用具有指导意义。     

汽源参数变化对储汽筒充汽系统变工况性能的影响

对储汽筒充汽系统变工况性能进行分析,是系统控制策略研究的重要环节。基于变质量热力学及粘性流体动力学理论,分别建立了系统各组成单元的数学模型;提出了一种基于共同运行参数作为初始迭代点的系统模型求解方法:先初定各组成单元的共同运行参数(即瞬时充汽流量),然后依据该初定值计算给定控制策略下的系统各性能参数,并通过迭代计算调整初定值,直至满足系统的用汽要求。在此基础上,针对用汽源参数对系统变工况性能的影响进行了仿真计算。仿真结果表明:汽源蒸汽温度对系统变工况性能影响较小;而汽源蒸汽压力减小,会造成系统在原有控制策略下储汽筒终了压力将达不到用汽要求。     

折腾不少，新意不多 美国防务新战略在变与不变间找平衡

1月5日,美国国防部几经折腾,终．于出台了2012年美国“防务战略大纲”。新大纲公布之日,美国总统奥巴马、国防部长帕内塔、国务卿希拉里·克林顿等“三巨头”,都围绕大纲精神发表了专题演讲,足见美国政府对其最新“防务战略大纲”所寄予的厚望。