扫雷大功率控制中热设计方法研究

从扫雷控制设备实际工作环境的背景出发,就解决大功率控制热设计问题的方法和措施进行了实验研究和理论分析.这一方法在实际应用中已得到了充分的验证,具有重要的应用参考价值.     

基于层次化的SVDDBNs的多机动平台目标分配方式

针对天基机动平台集群作战时的目标分配问题。提出一种基于层次化思想的变结构离散动态贝叶斯网络(SVDDBNs)的平台-目标分配方式。首先提出了目标分配算法。在平台-目标分配算法中所需的攻击优势指数的计算上,提出利用SVDDBNs进行攻击优势指数的计算。由于SVDDBNs具有可以融合不同类型信息进行推理决策的特点,因此给出的目标分配算法考虑的因素更加全面,计算结果具有更高的置信度。最后的仿真算例证明了此方法的正确性和有效性。     

基于ARM7的USB主机驱动开发

针对嵌入式终端产品中大多不具备USB主机功能,分析了基于μC/OS-的USB系统的框架结构,以LPC2478为实例描述了嵌入式USB主机驱动程序的实现过程,驱动程序通过了JTAG仿真测试,对遵从大容量类存储协议的USB设备U盘实现了驱动,从而为在嵌入式终端产品中集成USB主机功能提供了有效途径。     

基于内插阵列变换的非圆信号MUSIC实值算法

提出一种基于内插阵列变换的非圆信号MUSIC实值算法(VIA-NC-MUSIC实值算法).首先利用真实阵列流型与虚拟阵列流型之间的变换矩阵,将真实阵列输出转换为虚拟阵列输出,再根据信号源为实数的特点,分别求取虚拟阵列输出的实部和虚部,将其串联组合,扩展阵列输出的维数,进而得到一种多重信号分类(MUSIC)的波达方向(DOA)估计算法.还分析了VIA-NC-MU-SIC实值算法的计算复杂度,并与复运算的复杂度进行了比较,新算法的复杂度相对较低.仿真实验表明:存在阵元位置误差的情况下,新算法通过对阵元位置校准数据进行内插阵列变换(VIA),取得与阵元位置校准的非圆信号MUSIC算法(NC-MUSIC算法)相当的估计性能,保持了高估计精度、高分辨力,并且在二维阵元位置误差情况下,新算法的估计性能明显优于阵元位置未校准的NC-MUSIC算法.     

一种利用CUDA技术实现雷达余辉效果的方法

雷达PPI显示器余辉效果的好坏直接影响雷达模拟器的逼真程度,从而影响受训人员的训练效果。为实现高度逼真的雷达余辉效果,克服余辉模拟中坐标变换及余辉计算对运算速度需求较高的问题,利用新近出现的CUDA并行处理技术将在CPU上处理耗时较多的坐标变换及余辉计算搬移到GPU上来实现,克服了传统雷达余辉模拟方法中存在的不足。同时,传统余辉模拟方法中无法实现的高转速扫描余辉模拟,以及由于目标数据致使天线转速不稳等问题也得以解决,使用该方法可以实现导航等多型雷达的高转速扫描线余辉模拟。利用该方法研制的雷达训练模拟器已装备到某训练基地,用于雷达兵实际的教学、训练和考核,取得了良好的效果。     

建筑中庭排烟性能化设计与分析

采用火灾烟气控制工程计算方法,设定较适合的火灾场景,对某中庭建筑排烟方式进行性能化分析,得出采取自然排烟方式的可行性建议,并确定了排烟设备的选型、数量和控制方式。     

浅析吸引系数法及其应用

本文通过对吸引系数法的分析,澄清了一个各种刊物在表述吸引系数法时的混淆,并提出了一种吸引系数法的改进方法,使之能够运用于野战指挥通信网中话音和数据业务量的建模。     

作战构想风险性评估模型

作战构想是制定作战方案、定下作战决心的依据,在任务规划中起着承上启下的作用,意义重大.针对构想风险难以定量分析的难题,基于作战构想的组成要素、战场情况分析研判数据,从周密性、机动、打击、防护等角度构建了作战构想风险性评估指标体系,并提出了对各个指标进行定量分析的评估模型.最后,采用实例对提出的方法进行了验证,结果表明,该方法可行有效,避免了定性分析中存在的主观性、模糊性等不足,为作战构想评估提供了新的思路和方法.     

基于GEO SAR辐射的星机协同融合探测系统

为提高机载平台对隐身目标的探测能力,提出一种基于地球同步轨道合成孔径雷达(GEO SAR)辐射、多个机载平台接收的多基雷达协同探测系统,该系统具有覆盖范围广、机载射频隐身、生存能力强等优势.分析了星机协同的作战优势,可获取目标RCS空间闪烁增益、双基RCS增益以及融合增益.分析了星机双基协同探测威力与多基融合探测威力,可提高隐身目标探测距离.通过仿真实验验证了分析的有效性.     

Maneuvering target tracking of UAV based on MN-DDPG and transfer learning

Tracking maneuvering target in real time autonomously and accurately in an uncertain environment is one of the challenging missions for unmanned aerial vehicles(UAVs).In this paper,aiming to address the control problem of maneuvering target tracking and obstacle avoidance,an online path planning approach for UAV is developed based on deep reinforcement learning.Through end-to-end learning powered by neural networks,the proposed approach can achieve the perception of the environment and continuous motion output control.This proposed approach includes:(1)A deep deterministic policy gradient(DDPG)-based control framework to provide learning and autonomous decision-making capa-bility for UAVs;(2)An improved method named MN-DDPG for introducing a type of mixed noises to assist UAV with exploring stochastic strategies for online optimal planning;and(3)An algorithm of task-decomposition and pre-training for efficient transfer learning to improve the generalization capability of UAV's control model built based on MN-DDPG.The experimental simulation results have verified that the proposed approach can achieve good self-adaptive adjustment of UAV's flight attitude in the tasks of maneuvering target tracking with a significant improvement in generalization capability and training efficiency of UAV tracking controller in uncertain environments.