WDM光纤通信用窄带滤光片膜系补偿膜层的最优化设计

在WDM光纤通信系统中充当分波 合波器的全介质F B型多腔窄带滤光片的膜层层数较多,一般采用规整膜系结构,其各层膜的光学厚度均为监控波长的1 4整数倍.但仅采用规整膜层的膜系往往不能完全满足设计指标.因此,提出一种在基本满足设计指标的多层规整膜系上叠加少量非规整膜层的膜系设计方法,其中非规整膜层的光学厚度是在计算机上借助最优化方法寻优而得.     

一种改进的板块元目标回声计算方法

板块元法是一种水下目标回声特性的近似计算方法,提高其积分计算的稳定性和快速性是应用中常遇到的问题。将Gordon积分算法引入到板块元方法中,并结合面元声散射特点,对其加以简化。仿真结果表明,所提方法在计算目标回声中不仅有效克服了常规算法中的不稳定问题,也使计算速度得以提高。     

车载UWB SAR干扰自适应抑制新方法

在分析车载超宽带合成孔径雷达(UWB SAR)探测系统中干扰类型及其产生机理的基础上,针对Tsaipei Wang等提出的批处理方法的局限性,提出一种基于迭代运算的图像域自适应干扰抑制方法.该方法利用基于韦布尔分布的恒虚警率(CFAR)检测器提高干扰信号估计的准确性;采用迭代方法在线估计和更新参数,实现干扰的自适应抑制.实测数据处理结果表明:该方法可有效抑制自信号干扰,且结构上适于实时处理,可满足车载UWB SAR探测系统对图像预处理的要求.     

基于分形理论的目标航路预测

电磁干扰条件下解决断续航路预测问题对防空兵有效抗击空中目标至关重要。针对包络灰预测方法预测精度较低和Verhulst灰色预测模型计算过程复杂的情况,提出了预测航路的分形方法。在分形理论的基础上,研究了其用于目标断续航路预测的基本思路,建立了基于分形的目标航路预测模型,并对模型进行了求解。最后,利用建立的分形模型对雷达丢失目标后的目标航路进行了预测,通过实例体现了分形方法在用于航路预测时的准确性、灵活性和易实现等特点。结果表明,用该法对断续目标航路的预测具有一定的借鉴意义。     

用于角度测量的加速度传感器输出信号的处理方法

本文介绍采用I-F(电流-频率)变换技术,利用抑制脉冲干扰的平均值数字滤波及基于最小二乘法的数据拟合方法,对用于角度测量的石英挠性加速度传感器的输出信号进行高精度数据处理。     

高超声速飞行器分离干扰的伴随方法分析

以大气层内高超声速飞行器级间分离过程为研究对象,采用伴随方法得到了由冲击力和气动干扰力矩引起的攻角的解析解。利用该解析解,得到了分离干扰引起的攻角的瞬时变化曲线。结果表明,在高超声速飞行器级间分离开始0.4s内,冲击力和气动干扰力矩对攻角有一定的影响,并且随干扰的增大而增大。本研究实现了预示高超声速飞行器分离过程风险的目的,对高超声速飞行器分离干扰策略的制定提供了理论依据。     

LDO稳压器敏感度建模与仿真技术

基于LDO稳压器在电磁干扰（EMI）下产生直流偏移失效的机理分析,展开敏感度建模与仿真方法研究。使用一款实验芯片,创新地引入片上电压传感器,用于测试EMI在LDO稳压器内部的传播特性。在敏感度建模中,建立等效电路模型,通过直流功能测试,Z参数阻抗特性测试验证模型的正确性,将该模型用于LDO稳压器的敏感度预测。在敏感度仿真过程中,通过分析关键子电路和不断增加寄生元件,仿真不同寄生因素对敏感度影响的权重。将仿真结果与传导直接注入法（DPI）片上测试结果对比,仿真结果与DPI测试在频域1MHz至1GHz匹配。     

合成孔径雷达的主要发展方向

首先简要介绍了合成孔径雷达(SAR)产生和发展的历程,其次对当前合成孔径雷达研究的一些主要的热点和发展方向:多参数SAR、干涉SAR、超宽带SAR、激光SAR,尤其是小型化SAR进行了适当的归纳和分析,并且相应地给出了部分具有代表性的SAR系统主要的参数,对合成孔径雷达的研究工作具有一定的理论参考价值。     

亮点法在引信仿真中对目标回波计算的应用

在引信的数字仿真和半实物仿真中,目标回波的计算是进行仿真的基础。介绍了亮点法在目标回波计算中的应用,给出了利用亮点法对目标回波的幅度、延时和多普勒频率进行仿真计算的方法。该方法能够简化计算过程,能够满足仿真中实时性的要求。     

面向通信信号调制识别的半监督生成对抗网络框架

针对只有少量标签数据的弱监督条件下现有调制信号识别模型准确率较低的问题,提出基于生成对抗网络的半监督学习框架。该方法通过对通信信号进行冗余空域变换,使其在适应生成对抗网络模型的同时保留丰富的信号相邻特征;通过梯度惩罚Wasserstein生成对抗网络的引入,构建适宜电磁信号处理的半监督学习框架,实现对无标签信号样本的有效利用。为了验证所提算法的有效性,在RADIOML 2016.04C数据集上进行测试。实验结果表明,该方法在半监督条件下能训练出高效的分类器,获得优异的调制识别结果。