车载激光捷联惯导系统的快速初始对准方法

首先建立了捷联惯导系统的误差模型,并对系统的误差模型进行了可观测性分析,然后针对车载激光捷联惯导系统的特点,采用卡尔曼滤波方法,对姿态误差角进行了估计,给出了方差仿真曲线.通过计算机仿真结果的分析,提出了一种快速估计方位失准角的方法,从而大大缩短了初始对准时间.仿真结果表明将该方法应用于车载激光捷联惯导系统初始对准中是有效的.     

基于双程方向图的FDA干扰性能分析

针对文献中基于FDA双程图的干扰抑制研究较少的现状,在文献中采用MVDR波束形成器计算最优权矢量方法的基础上展开了进一步的分析.现有文献中关于FDA阵列的研究主要包括基于子阵结构划分的分析;基于非线性频偏增量的分析;基于FDA-MIMO结构的分析以及基于波束形成算法的分析.从4个方面对基于FDA阵列双程图的干扰抑制特性展开分析.仿真验证了在有效修正失配导向矢量的同时,在干扰与目标位置接近的情况下,能够实现对目标位置处增益的保持和干扰位置处的有效置零.     

一种针对组网雷达的突防行动任务规划策略

组网雷达探测系统是构成预警监视、防空警戒、目标引导、导弹防御等军事防御体系的关键环节.信息化条件下的空中作战行动对敌方组网雷达实施电子干扰是获取"制磁权"、夺取信息优势,并为后续空中火力打击开辟通道的主要手段.针对多机伴随式协同干扰组网雷达关键技术展开研究,对远距离支援干扰机进行分析,确定其干扰目标、干扰策略及巡航路径;建立多机伴随式协同干扰模型,寻求突防机群的最佳航迹,实现在远距离支援干扰机和随队支援干扰机掩护下安全抵达攻击线;最终确定在不同时刻的干扰策略和干扰功率分配,完成针对组网雷达的突防行动任务规划.这一工作对飞行部队完成突防任务具有一定的参考价值.     

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.     

模型不可知的联合相互学习

主流的联邦学习(federated learning, FL)方法需要梯度的交互和数据同分布的理想假定,这就带来了额外的通信开销、隐私泄露和数据低效性的问题。因此,提出了一种新的FL框架,称为模型不可知的联合相互学习 (model agnostic federated mutual learning, MAFML)。MAFML仅利用少量低维的信息(例如,图像分类任务中神经网络输出的软标签)共享实现跨机构间的“互学互教”,且MAFML不需要共享一个全局模型,机构用户可以自定制私有模型。同时,MAFML使用简洁的梯度冲突避免方法使每个参与者在不降低自身域数据性能的前提下,能够很好地泛化到其他域的数据。在多个跨域数据集上的实验表明,MAFML可以为面临“竞争与合作”困境的联盟企业提供一种有前景的解决方法。     

一种具有抑风性能的综合火力/飞行控制系统

提出了飞机中性稳定的直接力控制模态。将这一模态应用于综合火力/飞行控制中的空-空机炮攻击,着重研究了中型稳定模态的抗垂风性能。此模态的应用实现了航迹基本不变的机身瞄准直接力控制,提高了抗垂风能力,明显地改善了姿态跟踪精度,延长了交火时间,并最终减小了脱靶量。     

空空导弹后射火控技术

对空空导弹后射火控技术进行了分析,重点讨论了后射中的导弹控制问题。由于在后射过程中的速度过零阶段,导弹的气动力无法提供足够的法向控制力,给出了气动力/推力矢量控制相结合的复合控制方案,并以此导弹控制模型实现了后射火控过程。通过数字仿真,比较了后射火控与越肩发射火控的不同攻击过程,表明所提出的导弹复合控制方案可以解决导弹后射火控问题,后射与越肩发射相结合可以更好地实现全向攻击。     

基于人工势场法和Ad-hoc网络的多机器人编队控制

ad-hoc网络具有自组性强、快速组网和高抗毁等特性,以它组网的多机器人编队适用于一些无法预先安装通信设备的特殊场合。但是由于ad-hoc网络的通信覆盖范围有限、网络动态性强,在进行编队控制时如果不考虑编队中机器人之间的通信距离,可能导致机器人因与网络失去联系而脱离编队。为了确保多机器人编队的完整性,在使用势场法进行编队控制时,除考虑目标和障碍物的影响外,同时将机器人之间的通信距离作为一种引力加入传统的环境势场模型。仿真实验的结果证明该方法可以有效地控制ad-hoc方式组网的机器人编队。     

老年建筑防火设计

针对老年建筑在消防方面给我们提出的新课题,介绍人口老龄化和老年建筑的基本情况,分析老年建筑的消防特点,并着重对老年建筑防火设计的若干问题进行探讨.     

面向网络信息体系的装备保障体系研究

基于网络信息体系理念塑造装备体系。论文从网络信息体系能力分析入手,基于云-端架构给出了网络信息体系作战运用概念图。从总体框架设计入手,对网络信息体系结构组成进行分析研究。依据网络信息体系建设根本遵循,研究了装备体系塑造问题。为面向网络信息体系的装备保障体系建设发展提供理论参考。