解析法区域覆盖卫星星座设计

对典型卫星星座进行了分析。使用解析方法,以卫星载荷的工作高度范围为约束条件,以有效利用卫星覆盖区域为原则,给出设计区域覆盖卫星星座的详细步骤,得出卫星轨道根数和星座轨道参数。利用卫星工具包(STK)生成卫星星座图。     

多层卫星通信网络结构设计与分析

针对单层卫星网络时延高、网络阻塞概率大等问题,研究了多层卫星网络的系统结构及其特点。结合不同轨道卫星特点,引入分层卫星网络结构,采用Walker和极轨星座覆盖带设计法,设计了多层卫星网络星座。采用"弱连接"模型作为星际链路建立的基本原则,并对星座的覆盖性能和星际链路特性进行了仿真分析,结果表明,多层卫星网络在覆盖特性和星际链路性能上更具优势。     

基于空间谱估计的弹机分离检测研究

空空雷达主动制导导弹正成为各军事大国优先发展的空战武器,针对该类型导弹,分析了其典型的特征参数,以雷达-电子战一体化概念为牵引,提出了采用机载相控阵雷达信号处理技术进行弹机分离检测的思想。仿真结果表明,该方法具有较好的检测性能,为后续的干扰措施提供了有力的支撑。     

基于预警时间窗口的空天反导预警体系构建

如何构建一个完善的反导预警体系并确保反导预警时间充足是当前的一个研究热点,创新性地应用反导预警时间窗口分析各类预警系统的性能,并为反导预警体系构建给出相关决策依据。首先结合预警时间窗口的概念,给出天基支援下预警时间窗口的数学描述;然后,建立了反导预警过程中攻防双方的数学模型及仿真方法;接着,对反导预警时间窗口的计算进行了具体分析;最后,结合具体仿真实例,分析了天基预警卫星对反导预警时间窗口的扩展作用,得出了一些较为实用的结论。     

液体推进剂消耗对大型卫星结构动特性的影响分析

为了研究液体推进剂消耗对某大型卫星结构动特性的影响,采用简化的“弹簧-质量”模型分析了推进剂消耗对结构动特性的影响趋势;基于MSC.PATRAN/NASTRAN给出了动力学分析过程中液体推进剂的等效建模和分析方法,包括梁单元法、附加质量法、“RBE3 -质量点”单元法和虚拟质量法等;建立了该卫星结构的有限元模型,进行了结构动力学特性和动响应分析,讨论了液体推进剂消耗对其动特性的影响规律.研究结果表明:随着推进剂的消耗,卫星整体振型的固有频率逐渐增大,而部分局部振型的固有频率保持不变;随着推进剂的消耗,卫星仪器安装板动力学响应峰值逐渐增大,所对应的频率也逐渐增大.     

航天测控通信系统可靠性分析的Krylov子空间投影算法

基于Markov模型对航天测控通信系统进行可靠性分析的过程中,若系统中测控通信设备数量较多,模型中的状态空间随设备数量呈指数增长,将会导致数值计算困难.提出了一种基于Krylov子空间技术的可靠性分析方法,将大规模问题投影至小规模子空间中,求得问题的近似解.实验结果证明,Krylov子空间方法的计算速度及精度优于Ross方法和前向Euler法(forward Euler method,FEM).     

含噪稀疏信号重构的l0范数期望值最小化方法

压缩感知理论是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值重构稀疏信号是压缩感知理论中的核心问题。针对测量值受噪声污染的含噪稀疏重构问题,提出了近似l0范数期望值最小化方法。该算法基本思想是将含噪稀疏重构问题转化为近似l0范数期望值最小化问题,并利用噪声的统计特征将随机最优化问题化简为常规的最优化问题,然后采用最速下降法求解。数值仿真表明,本文提出的方法具有更好的重构精度,且计算量较小。     

不同攻角下AUV回收过程中的水动力规律

通过对AUV(Autonomous Underwater Vehicle)回收过程中运动规律的研究和对纳维—斯托克斯方程(Navier-Stokes equations)及其求解方法的分析,基于CFD(Computational Fluid Dynamics)理论建立了AUV回收运动的三维计算模型,并使用CFD软件完成其物理模型的建立、网格的划分及求解设置。在此基础上对AUV回收过程中的阻力、升力干扰进行分析计算,得到不同攻角下AUV所受到的水动力干扰与AUV和回收平台之间距离的相互联系。     

曲面地表对远程火箭弹弹道影响的计算方法

远程火箭弹飞行时间长、射程远,必须考虑地球曲面地表对弹道的影响。分析了椭球地表模型下重力加速度的算法以及远程火箭弹射程的确定方法,根据远程火箭弹动力学模型,设计了一种以落点为原点的落点坐标系弹道仿真方法,比较了平面地表弹道模型、椭球地表弹道模型以及基于落点坐标系的曲面地表弹道模型的仿真效果。仿真结果表明,该方法不仅比椭球地表弹道模型简单而且精度很高,可以很好地解决曲面地表对弹道的影响。     

基于QPSO算法的支持向量机参数优化研究

应用具有量子行为的粒子群优化算法,对支持向量（SVM）进行参数优化研究．根据支持向量机的分类准确率和泛化能力之间的关系,应用QPSO算法选取比较优秀的参数模型,比较参数模型的各项性能,选取最适合实际需要的参数模型．仿真表明,QPSO算法的SVM模型与PSO算法相比在分类准确率和泛化能力上均获得更好的效果,经QPSO优化后的SVM整体性能明显提高．