阵列雷达自适应多零点单脉冲群目标测角算法

针对阵列体制雷达,由极大似然估计导出自适应多零点单脉冲测角原理。分析发现迭代步长过大导致双零点单脉冲技术在多目标条件下失效,因此提出加权步长改进角度估计的迭代过程,只需要较少计算量就能实现群内多个目标的精确测角。仿真结果表明：该算法在较高信噪比条件下可以精确测量群内三个目标角度,测角误差约为0.15倍波束宽度;当群目标数较多或者目标相位差接近于0时,算法性能下降明显。     

平衡炮内弹道不平衡冲量技术研究

基于某型平衡炮的弹道试验,研究了不平衡冲量对无后坐力身管武器系统的影响。建立了实体模型并装配平衡体和弹丸,利用有限元分析了阻力曲线并代入编写好的内弹道程序,计算出弹丸与平衡体的运动曲线,将其作为位移荷载导入有限元中,进行了内弹道的有限元分析,进而分析了内弹道过程中的不平衡冲量。根据结果对弹丸、平衡块行程和平衡体质量进行调整,得出不平衡量基本趋于零的结构参数,为无后坐力身管武器的相关设计提供了一定的参考。     

压缩空气弹射内弹道影响因素作用规律研究

针对某直筒式压缩空气弹射装置工作过程中存在诸多因素影响其内弹道特性的问题,为有效改善内弹道特性,提升装置整体弹射性能,对这些因素作用于内弹道特性的规律进行研究必不可少。选择以控制阀直径、发射筒径及初始温度3个因素作为分析重点展开研究。在计算流体动力学软件FLUENT中建立压缩空气弹射装置简化模型,通过网格无关性验证,选择了网格数合适的网格模型;设置合理参数,运用动网格技术进行计算仿真,得出不同控制阀直径,筒径及初始温度情况下弹射装置内弹道特性的不同变化规律。由于研究对象为直筒式弹射装置,针对该型压缩空气弹射器的研究较少,研究结果可为压缩空气弹射过程内弹道的深入研究提供理论参考。     

基于K-Means聚类算法的空中态势威胁挖掘

战场环境复杂多样,各种探测手段层出不穷,空中威胁属性指标种类繁多,增大了指挥员对空中态势威胁分析难度。正确、快速地对空中态势进行威胁分析,将给战场部署提供有效的决策依据。建立基于K-Means聚类算法的空中目标威胁等级聚类模型,通过对空中目标威胁属性特征的数据进行分析,对威胁目标聚类进行深度挖掘,将目标威胁等级问题转化为最优聚类问题。实例分析表明该算法在对威胁目标等级聚类中有效,提高了目标威胁等级聚类的可靠性、精确性。     

未知量测噪声分布下的CBMeMBer算法

针对目标跟踪过程中量测噪声概率分布等先验知识无法准确获取的问题,提出一种基于风险评估的势均衡多目标多伯努利(RE-CBMeMBer)滤波算法。采用CBMeMBer算法的序贯蒙特卡洛实现,在粒子预测后利用风险函数和评估函数计算粒子风险值,并用评估结果更新粒子权值。避免了计算似然函数且不依赖量测噪声的概率分布。仿真表明:与SMC-CBMeMBer算法相比,RE-CBMeMBer算法具有更好的实时性,特别是当量测噪声分布未知时,具有更高的跟踪精度和稳定性。     

地形作战性能分析数据模型建模

针对目前军用地形图数据模型不利于地形作战性能分析的缺点,提出了一种适合于地形作战性能分析的数据模型建模流程,详述了该流程中的地形作战性能概念模型、逻辑模型和物理模型的具体建模过程。通过试验证明,建立的地形作战性能分析数据模型与军用地形图数据模型相比,能够直接体现地形的作战应用特性,在执行地形分析功能过程中,数据处理简单,耗时少,效率得到提升。     

引入攻防树思想的“软目标”恐怖袭击风险建模

为评估"软目标"恐怖袭击风险,提高"软目标"防恐安全性,以供反恐部门决策参考,设计了一种基于攻防树的"软目标"恐怖袭击风险评估模型。针对不同的袭击方式和防御策略,构建了各类攻击结点和防御结点,对两类结点的动态交互影响因素进行了参数设定,生成了攻击防御树,引入了攻击回报(ROA)、防御回报(ROD)的概念,通过计算各场景下遇袭概率、攻防成本、攻防回报值,对有安检区域和无安检区域的人群遇袭风险进行了仿真、评估和比较。仿真结果表明,要降低"软目标"恐怖袭击风险,需要提高防御措施效率。在无安检区域实施有效的人防、物防、技防策略,可显著降低遇袭风险。     

引导打击与近距空中支援作战分析

由于火力引导打击与近距空中支援在末端作战流程上极其相似,都是由占位部署、目标侦察、目标定位、上报目标信息、引导飞机(火力)、实施打击、评估、退出等步骤组成,造成相关研究人员在概念上将火力引导打击与近距空中支援相互混淆,为消除理解上的差异,明晰二者的区别,从作战概念、样式、流程等角度,对引导打击与近距空中支援进行比较研究,分析出二者在末端控制、人员要求、作战目的等方面均有本质区别,是两种相互独立的作战样式,无相互包含和繁简关系。     

分布式综合化航空电子网络拓扑优化技术

针对分布式综合化(DIMA)架构下实时动态消息流和网络资源能力,优化航空数据和通信网络(ADCN)拓扑问题,提出一种基于业务拓扑、网络拓扑以及延迟、线缆约束下的多目标网络拓扑优化算法。该算法能够基于驻留任务的信号、逻辑连接、物理连接关系,在资源约束下优化机载网络拓扑。算法通过组合优化方法计算折中全局最优解集(Pareto最优)。对于大规模机载网络架构优化,为了减少计算规模和提高计算时间,又提出一种预计算路径算法。算法通过类A320机载网络拓扑场景和类A380机载网络拓扑场景进行验证。结果表明,相比手动功能映射和网络拓扑优化设计,优化效率能提高10%～30%。     

基于深度学习的SAR图像目标检测实验

针对目前SAR图像目标检测算法只能进行单一目标检测和检测精度不高的问题,对深度学习目标检测框架在SAR图像目标检测的应用进行了实验研究,并结合SAR图像特点进行了优化。比较了基于区域建议的Faster-RCNN和无需区域建议的SSD目标检测框架在SAR图像上的目标检测精度和速度,分析优缺点;研究了预训练模型对SAR图像目标检测精度的影响;最后通过零均值规整化提高收敛速度和检测精度。实验结果表明优化后的目标检测框架,实现了SAR图像多目标识别并提高了检测精度,可以有效地应用于SAR图像多目标检测。