HLA框架构建空战导弹武器作战效能设计

武器系统作战效能是指在攻防对抗的战场环境下完成规定任务的能力,武器系统的效能是研制、使用该系统所追求的总目标。为获得空战导弹武器作战效能,避免传统主观评价带来的缺陷,设计了采用仿真方法评价空战导弹武器作战效能的架构。设计了基于HLA(high level architecture)的空战仿真框架和组成模块,对HLA的盟员进行了开发,规划了接口,提出了能够保证仿真实时性的整体方案。     

装备维修性设计与分析技术

分析了装备维修性设计与分析技术的基本内涵,包括主要工作范畴和关键技术。调研了国内外维修性设计与分析技术在理论研究和成果应用等方面的发展现状,并探讨了未来装备维修性设计与分析技术的发展趋势。     

采用改进Sage-Husa自适应滤波的运动目标三维定位方法

提出不依赖于测距信息,利用两架基于视觉的无人机对运动目标进行三维交会定位的方法。采用多模型交互方法实现在不预知目标运动模式的条件下对运动目标的实时定位;采用改进的Sage-Husa自适应滤波算法,综合协方差匹配技术和正定性判断,提高了定位精度。为评估这些方法的性能,模拟真实观测条件进行仿真。结果表明,提出的方法可以实时对运动目标的三维坐标进行估计。改进的Sage-Husa自适应滤波算法可以显著提高定位精度,在90°观测夹角下,平均估计误差从27.13 m降低到14.62 m。仿真研究了两无人机观测夹角对定位的影响,结果表明:过小的夹角不利于定位精度的提高;较大的夹角对无滤波定位方法有较好的效果,但对基于改进的Sage-Husa自适应滤波算法的定位方法影响并不明显。     

精确制导弹药低成本制导控制系统设计

针对精确制导弹药制导控制系统低成本的迫切需求,提出了一种弹载低成本制导控制系统设计方法。建立了一种弹载制导控制系统低成本体系架构,从功能、硬件、软件等方面对其进行了GNC一体化设计,并在此基础上提出了一种基于ARM处理器的一体化制导计算机设计方法。针对MEMS导航系统精度低、噪声大特点,设计了一种惯性/卫星数字制导方案。该低成本制导控制系统设计方法可有效减少系统冗余硬件,降低成本,实现较高的制导控制精度,满足未来低成本精确制导武器的需求。     

同时收发认知抗干扰系统的改进能量检测算法

为增强复杂电磁环境中同时收发认知抗干扰通信系统的性能,研究了基于该系统的改进能量检测算法,推导出瑞利衰落信道中系统的检测概率、虚警概率及中断概率的理论表达式。该改进方法思想是将自干扰信道容量与接收机所需传输速率进行比较,通过比较结果确定能量检测门限值。仿真结果表明,改进能量检测算法能够有效地降低自干扰信号对同时收发认知抗干扰接收机的不利影响,提升系统的中断性能。     

光流算法研究

光流的测量是视频序列处理和视频挖掘中的基本问题。首先简述了光流法的基本原理,即物体亮度不变特性;然后阐述了计算光流的4类算法:微分方法、区域匹配方法、基于能量的方法和基于相位的方法,并对当前主流的能量算法进行了详细探讨;最后对各种光流算法的评测方法与测试集进行了说明。     

不同干扰对QSPK解调性能的影响分析

随着数字卫星通信的快速发展,QPSK作为数字卫星通信系统中一种重要的调制方式,其解调性能也受到越来越多的关注。主要分析QPSK信号在已调干扰信号下的解调性能,并推导出使得QPSK调制信号解调性能最差的干扰信号的统计分布,而且此时统计分布符合QPSK调制方式干扰信号的特征。最后通过实验仿真分析得出信噪比未超过一定值时QPSK调制信号在QPSK调制干扰信号下解调性能最差,并与不同已调制干扰和AWGN干扰下的解调性能作比较。     

雷达辐射源识别技术面临的主要挑战及对策

信息化战场上,复杂电磁环境严重制约雷达辐射源识别过程。通过梳理雷达辐射源识别技术发展阶段及各阶段主要识别方法,深入分析了现阶段雷达辐射源识别技术面临的主要挑战,并提出应对策略,为创新雷达辐射源识别方法提供借鉴。研究表明,针对未来战场雷达识别面临的主要挑战,平时做好预判,熟谋对策,将极大地有利于战时进行雷达辐射源识别,进而促进整个电子对抗行动作战效能的发挥。     

军民融合产业创新集群的形成

在军民融合发展战略与创新驱动发展战略深入推进进程中,军民融合产业创新集群成为军民融合产业发展的重要创新形式,其形成问题研究更是对其发展与演化具有重要影响。以军民融合产业创新集群的内涵着手,通过刺激—反应模型与演化博弈模型,分析其形成过程与促进措施。研究表明,军民融合产业创新集群作为复杂适应系统,创新主体的适应性能力及其内在关系是集群形成的关键所在;为使合作创新行为成为演化博弈的稳定策略,从合作创新能力系数和合作创新成本、拥有的创新资源以及政府资金支持三个方面剖析集群形成的促进作用,对军民融合产业创新集群的发展与演化研究奠定基础。     

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。