精确制导前沿成像探测技术

回顾了精确制导技术的发展历程,分析了精确制导成像探测技术发展过程中面临的挑战与未来的主要发展方向。结合太赫兹、量子和超材料等前沿技术的发展动态,分别梳理了太赫兹雷达、量子雷达以及超材料雷达三种典型的精确制导前沿成像探测技术的技术背景、发展脉络、基本原理、技术优势。这三种成像探测技术有望为精确制导技术应对未来新型战争形态带来的挑战提供可行的技术途径。研究成果可为未来精确制导技术的深入可持续发展提供参考,并对提升精确制导武器的打击与拦截作战效力具有重大意义。     

合成孔径声纳中RD和ω-k成像算法的比较

从聚焦能力和处理相关的空变特性的能力两方面 ,对合成孔径声纳中几种成像算法进行比较 .给出了RD(RangeDoppler)和ω -k算法的对水池实验数据成像的结果 .     

合成孔径雷达窄带干扰抑制技术综述

对合成孔径雷达实施有效的电子防护,使之具有降低(消除)非人为电磁干扰和人为电磁干扰的能力,是保证合成孔径雷达发挥正常性能的重要条件之一。对非人为电磁干扰抑制的发展现状进行总结,将干扰抑制分为参数化方法和非参数化方法,分别讨论了参数化抑制方法中的干扰建模、参数估计以及非参数化抑制方法的两种主要技术途径,分析了干扰抑制效果的评估方法。最后根据实践和经验提出了合成孔径雷达干扰抑制的几项建议,对今后的发展趋势进行了展望。     

机载超宽带SAR运动误差建模与分析

机载超宽带合成孔径雷达(UWB SAR)具有大积累角和长合成孔径的特点,这使得这类SAR系统的运动误差变得非常复杂.建立了机载UWB SAR运动误差模型,并基于该模型推导了存在运动误差情况下的回波信号频谱.分析了运动误差影响SAR成像处理的根本原因,以及不同特性运动误差对SAR图像所产生的不同影响.仿真实验结果证明了文...     

基于模糊数的防空C3I系统效能评估

根据模糊数适于量化模糊信息的特点,运用模糊集理论,提出了一种基于模糊数的模糊综合评估方法.通过计算被评估系统效能的模糊数,将问题转化为模糊数的排序问题,并给出了采用该方法对防空C3I系统效能评估的模型及实现步骤.该方法能对防空C3I系统的效能指标进行合理的量化处理,较好地解决了防空C3I系统效能评估问题,通过计算实例验证了该方法的正确性和实用性.     

潜艇兵力作战方案选优软件的设计与实现

对联合封锁中潜艇兵力作战方案选优问题进行了研究,针对在只有一个选优指标时,人们通过比较分析法能够容易地准确判别方案优劣的特点,综合采用了改进的层次分析法、模糊综合评判等方法设计并实现了方案的选优。通过验证,该软件在应用于作战方案多目标决策等复杂系统时是适用的和可靠的,并且此软件较为简便,可操作性强。     

面向飞行器电磁散射特征诊断的近场频域成像算法

无人机在结构样式和材料构成方面具有的灵活性使得其相比有人机具有更大的隐身性能优化空间,在室内或者室外开展近场成像变得迫切。结合飞行器转台成像几何模型建立了近场转台成像通用信号模型,提出了一种面向飞行器电磁散射特征诊断的近场频域成像算法,在子孔径成像设置约束下,近似将斜距平面频谱按照水平面频谱处理;分析了该算法适用的条件,并围绕典型近场成像几何和飞行器尺寸生成仿真数据,在0.6～35 GHz范围内选择典型波段完成近场成像,良好的成像结果证实了理论分析与所提算法的正确性。     

结合景象匹配与惯导信息的SAR平台定位方法

利用高度传感器提供高度信息,结合高精度异源图像匹配技术与惯导系统漂移修正方法实现SAR平台定位。根据成像中间时刻SAR平台与SAR图像中心线上物点在水平面的投影共线的特性,在单帧图像中心线上均匀选取若干点与光学基准图进行高精度景象匹配;计算平台在水平面上投影位置,并利用高度信息确定其空间位置;使用序列图像定位结果估计惯导系统漂移参数,对惯导系统输出的位置数据进行修正,实现高精度的SAR平台定位。对各误差因素的影响进行分析,推导了精度估计公式。仿真和实际序列图像实验结果表明,方法正确可行,具有较高的平台定位精度,具备一定工程实用价值。     

凹障碍超宽带SAR图像特征分析

野外环境下的凹障碍感知一直是地面无人作战平台环境感知面临的难题,长期以来常规传感器,例如立体视觉、红外相机和激光雷达,都没有取得好的效果。超宽带合成孔径雷达作为一种全天时、全天候的高分辨率雷达,在目标感知方面得到了广泛的运用。基于超宽带合成孔径雷达感知凹障碍是一种有效的感知手段,阐述了凹障碍的雷达成像几何,利用MATLAB模拟仿真合成孔径雷达数据获得了凹障碍图像,分析得出了凹障碍在雷达图像表现出由阴影区和光亮区紧密相连的特征,并通过实测数据成像获得的凹障碍图像结果,对凹障碍雷达图像特征进行了进一步的验证。     

联合生成对抗网络和检测网络的SAR图像目标检测

针对合成孔径雷达图像目标检测中存在的样本获取困难且数量有限问题,提出了联合生成对抗网络和检测网络的学习模型。利用原始训练集对特别设计的超快区域卷积神经网络进行预训练;再通过基于注意力机制的深度学习生成对抗网络生成高质量合成样本,并输入检测网络进行预测;依据预测信息和概率等价类属标签分配策略为新生样本提供注释信息,并以一定占比对原始训练集进行扩充;利用扩充数据集对检测网络进行再训练。多组仿真实验证明,所提框架能够有效提升网络检测效率和性能。