载体角运动对旋转式惯导系统旋转调制效果的影响

为了提高惯性导航系统长时间导航精度,采用旋转调制技术将惯性器件常值误差在导航系中调制成周期变化的信号,抑制系统误差发散.基于惯性测量单元误差模型,阐述了旋转调制技术的基本原理.理论分析了载体角运动对旋转调制效果的影响,推导了载体水平角运动下导航系中等效陀螺误差方程.进行了仿真和试验.理论分析、仿真和试验结果表明:载体水...     

一种基于循环谱的数字信号调制识别方法

文章基于循环平稳信号处理理论,利用数字通信信号的循环谱特征的不同提出四个特征参数,用于信号调制识别。提取的参数较少,计算量较高阶循环累积量小。给出了三类信号调制方式自动识别算法的实现流程,该识别算法以统计理论为基础,不要求实现载波同步。仿真结果表明,在信噪比RSN≥5 dB时,算法的平均识别成功率>96%。     

无人机集群反制技术剖析

无人机集群作战具有作战效能高、战场生存能力强、效费比极高的巨大优势,将给传统防空系统带来巨大挑战。现有反无人机集群技术大多来源于反无人机技术,但反平台与反集群存在显著差异,必须针对无人机集群自身技战术特点,加强对精确/高效/低成本的集群反制技术研究。因此,本文以剖析无人机集群反制技术的可行性为出发点,首先,从反无人机集群作战视角,将无人机集群划分为无自主时空协同型(Ⅰ类)、半自主编组协同型(Ⅱ类)、全自主任务协同型(Ⅲ类)三种类型,明确Ⅱ类无人机集群为主要反制对象;其次,深入分析无人机集群的技术弱点与战术劣势,以此作为无人机集群反制技术可行性的关键切入点;最后,梳理出七大类有效的无人机集群反制技术,并对其可行性进行分析,以期为未来无人机集群反制技术发展方向提供参考。     

多制式调制模块的原理与设计

分析了多制式调制的原理 ,提出并实现了一种基于PCI总线的多制式调制模块的设计方案。它采用正交调制与数字上变频方法 ,可以生成多种中频调制信号。它的另一个特点是将基带处理单元用PCI总线隔离开来 ,可以结合通用计算机或商用DSP处理模块 ,构成一结构灵活而又具有实时处理能力的多制式调制系统。     

基于谱分析的卫星通信调制识别算法

通过分析典型卫星通信信号功率谱、平方谱、四次方谱以及包络平方谱特性,针对卫星通信随参信道造成信号噪声谱均值与方差随频率变化这一问题,采用最小二乘法对信号谱图进行预处理,定义偏离比作为单频分量检测值,在无任何先验知识条件下提取一组鲁棒性强的特征参数,实现信号自动调制识别。实验证明,改进后的算法复杂度较低、过程简单易实现,所提取参数对数字信号的调制指数与滚降系数不敏感,具有较好的可分性与稳健性,并同样适用于随参信道的信号调制识别,具有一定的实用意义。     

基于FrFT的差分跳频通信LFM干扰抑制算法

针对差分跳频通信系统抗LFM干扰能力不足的问题,利用差分跳频信号和LFM干扰信号调频斜率参数的不同,通过估计采样信号中LFM干扰信号的调频斜率K和旋转阶次α参数,结合分段、参数估计和均值处理提高估计精度,进一步在采样信号的分数阶时频域二维参数平面(α,μ)中利用LFM干扰信号频带外的平面均值替代LFM信号成分,实现对差分跳频通信中LFM干扰信号的抑制。仿真结果表明,该算法可有效抑制差分跳频信号中LFM干扰信号,提高信噪比约11 d B。     

基于多特征的图象目标识别分类

文中研究将多特征信息融合技术用于图象目标识别分类的方法,利用图象灰度表面的分形特征与图象的摘特征（非分形特征）所提供的信息进行融合处理,在决策层中运用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据推理理论,并使用决策规则对目标进行分类。在实验中,将经过信息融合分类的结果与单特征独自分类的结果进行比较。结果表明,多特征信息融合的目标识别方法具有良好的稳定性,准确性和可靠性,能够有效地提高图象分类识别系统的精确度与容错性。     

模糊神经网络的并联结构及其在噪声信号识别中的应用

采用模糊神经网络分类算法,提出了一种模糊网络的组合结构及多种组合算法．通过对辐射噪声信号的分类试验表明,该方法可充分利用多种特征子网络的模糊分类信息,显著地提高了网络的分类能力．     

某型指控系统鱼雷发射参数装定数字随动系统分析

针对某型指控系统鱼雷发射参数装定数字随动系统的独特性和部队装备保障工作的需要,对其控制原理进行分析.从顺序操作式数字随动系统的结构和工作特点入手,研究了其巴克码和格雷码相结合的编码方式、 PWM直流电机调速过程、循环查询和程序查询两种查询方式以及对随动系统整个工作过程的校验.分析表明该数字随动系统的参数设定具有较高的准确性、跟踪精度和响应速度,能较好地满足鱼雷攻击作战中的设定准备要求.     

The effect of training data set size and the complexity of the separation function on neural network classification capability: The two-group case

Classification among groups is a crucial problem in managerial decision making. Classification techniques are used in: identifying stressed firms, classifying among consumer types, and rating of firms' bonds, etc. Neural networks are recognized as important and emerging methodologies in the area of classification. In this paper, we study the effect of training sample size and the neural network topology on the classification capability of neural networks. We also compare neural network capabilities with those of commonly used statistical methodologies. Experiments were designed and carried out on two-group classification problems to find answers to these questions. The prediction capability of the neural network models are better than traditional statistical models. The learning capability of the neural networks is improving compared to traditional models because the discriminate function is more complex. For real world classification problems, the usage of neural networks is highly recommended, for two reasons: learning capability and flexibility. Learning capability: Neural network classifies better in sterile experiments as performed in this research. Flexibility: Real life data are rarely not contaminated with noise, such as unknown distributions, and missing variables, etc. Neural networks differ from a statistical model that it is not dependent on any assumption concerning the data set distribution. © 1997 John Wiley & Sons, Inc. Naval Research Logistics 44: 699–717, 1997