空中机动目标刚体运动建模方法

传统目标跟踪和识别算法通常建立在目标质点运动模型的基础上,其实现过程相对简单,但也存在精度不高的缺点.随着现代雷达、目标跟踪/识别技术的发展,以及各种高精度目标测量传感器的运用,建立更精确的刚体运动模型已成为一种必然需要.概述了国内外在空中机动目标刚体运动建模这一领域的研究现状,并详细介绍了当前常用的几种空中机动目标刚体运动建模方法,最后,根据分析总结了当前这些建模方法存在的缺陷,并指出了其可能的研究方向.     

基于蒙特卡罗法的高炮空域窗射击毁歼概率计算

为提高高炮系统拦截空中来袭目标的能力,未来空域窗射击体制应运而生。针对准确计算此体制毁歼概率的需要,并考虑到蒙特卡罗法可以全面考虑随机因素对毁歼概率的影响,适合评估高炮系统的毁歼概率,故提出了基于蒙特卡罗法的高炮空域窗射击毁歼概率仿真方法。按照高炮系统点射全过程构建仿真模型,以某型高炮为例,仿真统计了未来空域窗射击方式的毁歼概率,并与相应的集火射击方式毁歼概率进行了比较分析,证明了蒙特卡罗法的可行性以及未来空域窗射击方式的有效性。     

自适应射击窗火力控制技术

为提高高炮武器系统拦截巡航导弹的能力,提出了自适应射击窗的思想.自适应射击窗是指火控系统根据目标运动参数估计结果,识别目标的运动模式并估计出其机动幅度,实时在线评估毁歼概率,并求解出具有最大毁歼概率的空域窗技术参数(形状和大小),据此计算出射击诸元提供给高炮武器系统实现对空中目标的射击.对实现该技术要解决的几个专项技术问题作了简要分析.最后,通过设置不同的目标航路,采用蒙特卡罗法分别对自适应射击窗技术和传统火控技术进行了效能对比分析.仿真结果表明,当巡航导弹不机动时,前者有与后者相当的射击效果;当巡航导弹蛇行机动时,依据参数设置,前者的毁伤效能较之后者提高约17.7％～102.4％,且增加了有效射击时间.     

基于卷积神经网络的空中目标粗分类研究

空中目标的准确分类与识别是防空作战的关键环节。将卷积神经网络应用到空中目标粗分类任务。实验基于Alex Net卷积神经网络模型,并利用建立的小规模数据集进行微调训练,从而提取目标特征并进行分类识别。再和利用HOG特征的分类方法进行对比实验,发现前者具有较大准确率的提升。得出利用卷积神经网络提取的特征具有更强大的表示目标的能力,为进一步实现跟踪空中目标打下实践基础。     

火控系统仿真软件设计与开发

介绍了火控系统仿真软件的主要功能特点、设计思想和开发实现方法。该火控系统仿真软件,采用开放设计原则,可进行火控单元参数级和结构级选择替换,为研究和开发火控系统提供了有力手段。提供了从火控系统各单体到全系统的仿真环境,即可供教学科研人员进行火控系统研究,也可满足工程人员进行火控系统设计开发的需要。     

无动态偏移瞄准线独立控制系统

通过一个实例分析了现有瞄准线独立控制系统的原理及特点 ,提出了一种改进方案。该方案有效地解决了现有瞄准线独立控制系统普遍存在的瞄准线动态偏移问题。采用 MATL AB/ SIMU L NK对改进前后两种瞄准线独立控制系统进行了仿真 ,其结果验证了改进方案的有效性     

高炮防空作战可视化仿真系统设计与实现

为了研究高炮武器系统的防空作战能力,开发了人在回路的飞行控制模型,对高炮武器系统进行了建模与设计,对弹目碰撞检测算法进行了优化,设计实现了基于MATLAB/Simulink和VRML的高炮防空作战虚拟仿真系统,能够对整个防空作战过程进行三维动态演示并评估高炮防空作战的毁歼概率。仿真系统采用模块化设计,并结合了VRML三维建模能力和MATLAB数据计算能力的优势,便于系统的功能扩展和模型重用。仿真结果验证了系统的合理性和实用性。     

空域窗射击毁歼概率解析计算模型

为提高未来空域窗射击技术对空中机动目标的毁伤概率,需要根据目标机动幅度对未来空域窗的大小进行动态设定,故提出“自适应射击窗”的概念.空域窗大小设定的依据是使毁歼概率最优.可以采用解析法来在线计算该毁歼概率值.在分析空域窗射击误差的基础上,演绎了均匀分布法与高斯和法两种毁歼概率解析计算方法的公式.以毁歼概率蒙特卡罗法仿真数据为基准值,对两种解析法的计算精度进行了对比分析.仿真结果表明,高斯和法的计算精度显著优于均匀分布法,且满足实时计算要求,适于在线评估空域窗的射击效能.     

基于未来空域窗的高炮点射效力仿真

为了对付机动目标,提高高炮系统的毁伤效能,以完成其担负的防空反导任务,提出了未来空域窗射击体制。以35mm高炮为例,用解析法分别仿真计算了,在集火射击体制和未来空域窗射击体制条件下的点射毁歼概率,并对6种不同目标的毁歼概率进行了统计。统计结果表明,对付小型化目标或机动目标采用未来空域窗射击体制更有优势。     

基于深度卷积神经网络的蛇形机动航迹图像识别

为提高防空武器系统对空袭目标的拦截防御能力,针对现有蛇形机动识别算法鲁棒性较差的问题,提出了将航迹坐标数据转化为图像,利用深度神经卷积神经网络进行航迹模式分类的方法。针对航迹数据直接转化为图像时存在机动幅度不明显或过大的问题,提出了有效解决方案。基于CAFFE平台进行了大量仿真实验,确定了适宜于航迹模式分类的深度卷积网络结构和网络参数。实验结果表明,该方法能有效提高蛇形机动航迹识别的鲁棒性。