美军模块化开放式射频架构探究

模块化开放式射频架构(MORA)通过定义针对多功能任务的开放式架构和RF系统功能分解,实现平台上硬件共享,可降低军用平台上射频系统复杂性以及尺寸、重量和功率,同时提高互操作性和配置灵活性.围绕MORA架构进行了分析和探讨,重点分析了其架构组成和功能分解情况.     

一种新的动态信道化接收机设计方法

针对复杂电磁环境中存在多个非均匀分布的、不同带宽的信号的情况,提出一种新的动态信道化接收机设计方法。设计一个半带滤波器,并通过内插运算压缩它的频率响应,形成周期频谱;对输入信号进行滤波,同时使原信号经过一定延迟后减去滤波后的信号,形成两路在频谱上互补的信号;用均匀分析滤波器组对得到的两路信号分别进行滤波分解处理,实现监视频段的均匀信道化;根据能量检测结果将属于同一信号的相邻子信道信号作为下一步重构处理的输入,并设计出相应的综合滤波器组提取信号。理论分析和仿真结果验证了新方法的有效性。     

AR模型在陀螺仪性能故障诊断中的应用研究

对惯导系统上的陀螺仪在无故障和故障下输出的信号进行分析 ,计算出信号的特征量———均值、标准差、协方差 ,并用现代谱分析技术中参数模型功率谱分析的方法 ,建立信号的AR模型、绘出AR模型的功率谱图 ,对陀螺仪输出信号的变化进行了比较和分析 ,从而找出一种作为判断陀螺仪性能故障的依据     

防空导弹横向振动响应计算研究

随机气流与舵面的运动将给弹体造成随机载荷 ,用模态叠加法编写程序计算了该激励产生的随机响应     

利用时间谱信息融合的空中目标分类算法

时间谱信息(目标的航迹、速度、机动性、空间坐标信息)揭示了目标空间状态随时间的变化特性,从而可利用目标的时谱简化(或缩小)待识别目标的范围。将低分辨雷达测量得到的高度、速度、加速度作为目标特征,建立典型空中目标对各特征的模糊隶属函数,进而采用改进的证据推理进行分类判决。结果表明利用时间谱信息可为雷达空中目标识别提供有效辅助手段。     

基于SAR目标识别的深度学习方法

研究了DBN和SDAE在SAR雷达目标识别领域的应用,并在此基础上提出了一种双通道单隐含层的深度学习模型—DBN-SDAE。该模型的优势在于采用双通道的单隐含层模型对图像数据进行学习,提取图像特征,避免了传统深度学习方法随着隐含层和神经元数量的增加计算复杂度增长过快的缺点;同时采用加权融合方法融合两个通道所学习的特征,既保留了数据的细节信息,又保留了数据的结构信息,一定程度上解决了特征利用不充分的问题。实验结果表明,所提方法在NN迭代次数远远小于DBN中NN的迭代次数;且在识别准确率上最高可达98.640%,较SDAE和DBN分别高0.511%和1.701%。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题，提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系，将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数，构建导弹攻击结果预测模型。在实验部分，结合重构误差和测试错误率确定深度置信网络的网络结构，通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法，满足实时性和准确性要求，所提方法具有良好的应用价值。     

基于半监督谱聚类的通信网台识别方法

针对通信网台识别准确率较低的问题,提出了一种基于半监督谱聚类的通信网台识别方法。通过密度峰值的方法构造决策图,得到通信网的数目;在谱聚类算法的基础上,利用侦察方掌握的先验知识,通过成对约束信息更新谱聚类算法的相似度矩阵,提升聚类算法性能,得到最终的网台识别结果。实验结果表明,该方法可以有效地利用知识库中已有的成对约束信息,较好地完成通信网台识别。     

基于Viterbi算法和ROMP的多弹道目标分离与特征提取

为实现对中段飞行中多弹道目标进行分类和特征提取,首先利用重排Gabor分布与Viterbi算法相结合的方法,获取目标散射点的时频曲线,对目标信号时频曲线拟合后进行频谱分析,完成目标运动类型分类。根据目标微动类型确定对应散射点的回波信号形式并构造相应的匹配原子库,设定待估计参数,利用ROMP方法对参数进行提取。仿真实验表明,该方法有效实现散射点分离并判断出目标的微动类型,同时验证了该方法对目标参数的提取精度。