针对双基地雷达的箔条无源干扰

针对R站位置未知带来的各种有源干扰对抗双基地雷达效果不理想问题,提出了基于T站布设的箔条无源干扰方法,论证了该方法的可行性。以R站目标发现概率为效能指标,以飞机编队突防作战为想定背景,对箔条无源干扰双基地雷达效果进行了仿真分析。仿真结果进一步揭示了该方法对抗双基地雷达的有效性。     

下野地阅翠

屈指算来,我离开下野地已经22年了。居住过的几个城市,倒是淡漠,惟独生活了26年的下野地,深深嵌在心扉。每每遐想时,便翻开下野地这本大书,字里行间,那读不尽的青翠．阅不完的浓绿,看不够的葱郁,以及在绿风荡漾下“无穷荷叶连天碧”般的农田绿波,让人不忍释卷。诗情画意,充盈在一页页画卷中。     

提高弹道导弹突防能力的技术途径

基于反导系统的射击过程建立了计算弹道导弹突防概率的数学模型;通过仿真计算分析,提出了提高弹道突防能力的技术。     

未来15年将是地(舰)空导弹大发展的15年

空中目标的防区外攻击,战术弹道导弹的威胁以及无人驾驶飞机的广泛应用,要求地（舰）空导弹具有更大的射程、更高的火力密度和更精确的制导控制。这就从客观上提出了发展新一代地（舰）空导弹的要求。由于相控阵雷达的进一步成熟,精确制导控制技术的突破,为新一代地（舰）空导弹的发展创造了条件。经过近10年的开发,第4代地（舰）空导弹已进入发展中期。今后15年将是这一代地（舰）空导弹发展的最重要时期,为了更换第2代地（舰）空导弹,也必将是一个大发展的时期。     

美国海军设想“通用对地攻击作战系统”

随着美国海军战略的转变,其水面舰艇的主要作战使命已由攻击或防御远洋深海的苏联海上目标,转变为从海上对敌方陆上纵深目标进行火力打击。为弥补“战斧”对地攻击巡航导弹和MK45型127毫米/54舰炮在射程上的空白区,美国海军将逐步引入新的对地攻击武器。2003年将首先引入射程为1500海里的“战术战斧”巡航导弹,2004年将引入射程为150海里的超声速对地攻击“标准”导弹(LASM)和新的MK45-4型     

美军对地攻击利器扫描

在近几年来美军进行的一系列局部战争中,人们看不到大批炸弹下落之处,高大的建筑物在爆炸声中倒塌下来、地面的生灵血肉横飞的情景,相反,被发射或抛出的导弹和炸弹像长着眼晴一样,向着不同的方向飞去,分别准确击中地面位置不同的各种目标。在伊拉克、在波黑、在南联盟,命中率极高的各式精确制导武器,已逐渐成为战场的主角,其中对地攻击的主要有以下8个类型。“战斧-3”巡航导弹“战斧”导弹成名于海湾战争。但在海湾战争后,美军结合实战经验又进行了一番改进,增加更先进的军事技术,从而研制出更加适应现代战争需要的“战斧-3”对陆攻击巡航导弹。“战斧-3”采     

独具魅力的无人飞机

自从以叙贝卡谷地之战以来,无人机声威大震,倍受世界瞩目。近年来,随着航空技术、自动控制技术以及微电子技术的迅速发展,无人机从战术技术上有了新的突破。目前,研制无人机的国家有27个,基本机型多达200余种。     

主星带伴随微小卫星编队SAR系统的空间分辨率分析

根据主星带伴随微小卫星编队SAR系统的结构特点,建立了双站SAR系统的几何模型,然后推导分析了距离分辨率和方位向分辨率的解析表达式,最后仿真分析了以ENVISAT作为主星、"干涉车轮"的距离分辨率和方位向分辨率随主星到编队小卫星的距离、相对轨道高度的变化情况,并且与主星SAR的分辨率进行了比较。结果表明:(1)空间分辨率大小随波束入射角的变化基本上与主星一致;(2)空间分辨率随主星与伴随小卫星的距离增大而增大;(3)空间分辨率之差随微小卫星相对椭圆轨道短轴的增加而增加。     

生成式对抗网络在SAR图像处理中的应用综述

合成孔径雷达自动目标识别技术是SAR图像处理领域的研究热点,但数据样本不足的情况导致SAR-ATR应用研究受到局限。传统扩充SAR数据集的图像仿真技术模型复杂、计算量大,生成图像不够逼真。生成式对抗网络GAN不需要目标先验信息,可以直接从真实图像数据中生成逼真的图像,具有低损耗和端到端的优点,因此相较于传统方法其更适用于小样本SAR数据高质量扩充。围绕GANs在SAR图像处理中的研究应用展开叙述,介绍了获取目标SAR图像的方法,包括传统的仿真技术和基于深度学习的GANs技术;从目标图像和场景图像等2个方面介绍了GANs训练的常用SAR数据集;针对不同数据集的应用场景,重点介绍了GANs网络在目标SAR图像生成、SAR超分辨率重建、SAR和光学影像融合等3个方面的最新研究进展;最后,结合深度学习和SAR目标特性,给出了GANs网络在SAR图像应用方面的后续发展建议。     

基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。