色噪声环境下MIMO雷达相干目标角度估计算法

针对色噪声环境下的MIMO雷达相干目标角度估计问题,提出一种基于目标信息矢量重构的角度估计算法.算法对MIMO雷达的接收数据进行了低复杂度改进,通过计算四阶累积量,得到一组矢量并证明该矢量包含所有目标的角度信息,通过重构Toeplitz矩阵,结合MUSIC算法实现了色噪声环境下MIMO雷达相干目标的角度估计.算法保留了MIMO雷达的阵元扩展能力和目标分辨力,具有自动抑制加性高斯白噪声和色噪声的能力,实现了相干目标的有效估计,更利于在实际中应用.最后计算机仿真结果证实了算法的有效性和可行性.     

基于雷达的通信系统研究进展

雷达技术与无线通信技术的相似性使得在雷达基础上实现通信功能成为可能。根据雷达与通信结合的程度,把基于雷达的通信系统分为两类,分别介绍了松耦合的雷达通信一体化系统和紧耦合的雷达自通信系统,概览了国内外学者在该领域上的研究进展情况,对未来需突破的关键问题进行了梳理。     

自媒体时代高校辅导员思想政治教育话语能力提升的研究

自媒体的广泛传播对大学生的思想和行为产生了重要影响,高校辅导员思想政治教育话语权也面临着挑战。本文分析了自媒体时代高校辅导员思想政治教育话语面临的困境,从扩展思想政治教育新阵地、塑造新时代辅导员新形象、打造思政教育联合体等提出提升高校辅导员思想政治教育话语能力的具体路径。     

抑制成像数据噪声的模糊多目标算法

以模糊数学和决策理论为基础,通过建立成像数据模糊指数函数及平方误差 模糊指数函数,提出了一种称为模糊多目标优化的新的算法模型,对成像数据的噪声进行抑 制实现数据优化。实验结果表明,所提出的模糊多目标优化算法模型有较强的抑制噪声能 力,理论和实验有较好的一致性。     

用不确定性度量作战效能的评估方法研究

本文把作战过程分解成多个节点,用不确定性自信息量度量各节点完成任务的程度,改造了信息熵函数,得出一种适合求解作战效能的评估方法,并研究了一具体实例。     

基于自抗扰控制的高超声速飞行器再入制导律

鲁棒制导律设计是增强高超声速飞行器再入突防能力、提升飞行安全性的重要保障.针对多约束条件及多种气动参数摄动影响的高超声速飞行器再入轨迹抗干扰跟踪问题,首先,在标准轨迹制导的框架下,结合模型辅助线性自抗扰控制和基于航向角误差走廊的几何制导逻辑,提出了一种可满足纵向和横侧向平面制导任务需求的自抗扰再入制导律;其次,采用反馈...     

2023年深度学习技术主要发展动向分析

深度学习已成为人工智能领域的研究热点和主流发展方向之一,为诸多重要应用领域带来了革命性的进步。对2023年深度学习技术热门领域的主要发展动向进行了综合评述。首先介绍了深度学习技术发展现状,其次探讨了深度学习技术的军事应用任务和挑战,最后盘点了深度学习技术的未来重点发展方向。综述表明,大语言模型是深度学习领域在2023年最突出的亮点,世界模型框架下的自监督学习技术、强化学习框架下的人工智能智能体技术等也呈现加速发展态势;环境恶劣与强干扰复杂条件下的高鲁棒性深度学习、面向实时流数据高效处理与内在逻辑关联的深度学习、面向多变作战场景自主决策与快速决策的深度学习、面向跨域数据协同感知与协同推理的深度学习等,是深度学习技术未来重要的发展方向。     

一种基于CAE的HRRP去噪重构与识别方法

针对HRRP识别研究中面临的噪声污染问题,提出了一种基于卷积自编码器(convolutional auto encoder, CAE)的HRRP识别方法。此方法将CAE的重构功能与卷积神经网络(convolutional neural network, CNN)的分类性能相结合,将未含噪声的数据作为标签,利用CAE学习含噪声HRRP的噪声特征,实现对HRRP的去噪重构,后利用CNN对重构后的HRRP进行识别。仿真实验表明：在10 dB、20 dB、40 dB峰值信噪比的噪声环境下,该方法对HRRP的识别准确率分别可达到76.48%、95.14%、98.33%,能够一定程度上克服噪声对HRRP识别带来的不良影响,保证识别精度。     

基于多域卷积与自注意机制的SAR图像变化检测

针对基于深度卷积神经网络的合成孔径雷达(synthetic aperture radar, SAR)图像的变化检测方法,在利用图像块分析特征的过程中易将噪声引入到边缘区域,造成SAR图像变化检测精度较差等问题。提出了一种基于多域卷积与自注意机制的SAR图像变化检测方法。该方法先通过多域卷积模型增强输入SAR图像块的中心区域,减少边缘噪声的影响;然后,再利用注入空洞卷积的改进自注意机制模型充分挖掘SAR图像的重要空间结构信息,来提高变化检测的性能;最后采用3种不同类型的SAR数据集进行实验结果表明,本文中所提出方法能获得较高的检测准确率和KC系数,优于各种对比方法。     

深度多属性增强水声目标识别方法

被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%～18.2%,并且具有更好的识别稳定性。