编队对潜作战中抗友邻舰干扰方法

针对编队远程水下警戒中拖曳线列阵声纳抗编队中友邻舰辐射噪声干扰问题,基于拖曳线列阵声纳的检测性能,由友邻干扰时空频特征,给出了产生干扰盲区与左右舷镜像源的原因。分析了两种抗友邻干扰"软补盲"方法的优缺点,并通过计算机仿真双舰编队在平行搜索且只有一条拖曳线列阵工作模式下,得到了未使用抗干扰和采用"软补盲"抗干扰方法后对于被动拖曳线列阵声纳检测性能产生的不同影响,并根据影响结果给出了平行搜索方式下使用"软补盲"抗干扰方法后的队形配置建议与作战指挥原则。     

基于最小时间窗的多功能雷达调度算法研究

雷达、电子战、通信等多功能电子系统一体化是雷达的发展方向之一,针对多功能雷达的资源管理与调度,基于孔径分割建立了多功能雷达系统的任务模型,根据任务作用距离确定了任务事件对孔径资源的占用率,并在此基础上给出了一种基于最小时间窗调度间隔的任务调度算法来解决多功能雷达的任务调度问题,通过仿真验证,证明该算法具有一定的有效性.     

基于多极化多特征提取和SVM的目标识别方法

充分有效地利用全极化雷达目标高分辨一维距离像极化信息是雷达目标特征提取领域一个热点问题.提取全极化雷达目标高分辨一维距离像的极化特征、结合其能量聚集区长度以及中心距特征共同构成特征向量,采用支持向量机进行特征分类,从而提出了一种基于多极化多特征提取和支持向量机的目标识别方法.基于转台数据的实验结果表明,提出的基于多极化多特征提取和支持向量机的目标识别方法有助于获得较高的分类正确率.     

一种圆阵垂直平滑解相干算法

基于均匀圆阵(UCA),提出了一种垂直平滑解相干算法.利用在两个垂直的方向上平移,得到多个平移后的协方差矩阵.对其进行平均,将协方差矩阵的秩恢复为满秩,实现解相干,完成对相干信号的DOA估计.仿真结果表明,该方法具有较好的可行性.     

R站不确定在双基地雷达对抗中的优势评估

针对"R站不确定是否会给双基地雷达对抗带来优势"这一问题,提出了关于R站不确定对双基地对抗效果影响的定量分析方法。该方法首先构建R站配置位置与双基地对抗效果间的映射关系;然后,利用统计试验的方法,给出R站配置位置服从特定概率分布条件下的干扰效果值,并将其作为输出的待分析数据;最后,对输出数据进行处理,定量评估R站不确定在双基地对抗中的优势。     

舰船维修器材保障点选址决策模型及算法

传统的最大覆盖选址模型没有考虑对服务半径外的需求点的满足和服务时间的响应,而在舰船维修器材保障中,不论需求点到保障点的距离是否大于服务半径,都应对其进行保障服务,且在保障过程中要满足保障时间控制在不影响舰船正常维修任务时间内。针对此问题,运用广义最大覆盖选址模型和时间满意度函数,构建基于时间满意的广义最大覆盖选址模型,并运用一种混合算法———基于遗传模拟退火算法的BP算法对模型进行求解。最后,运用该算法对实例进行了分析计算,计算结果验证了该算法的有效性。     

移动卫星天线稳定伺服系统的设计与仿真

移动卫星天线稳定伺服系统在运动载体扰动下,能够扫描、精确对准并跟踪通信卫星,实现运动载体对星通信。卫星天线的柔性部件造成的低频机械谐振和系统较低的开环增益是稳定伺服系统设计的难点,因而,设计采用专家系统和串级PI调节器相结合的控制算法,同时使用陷波滤波器抑制低频谐振的影响。为了验证算法的可行性,实验运用MATLAB和dSPACE构成的实时仿真平台进行半实物仿真分析。仿真和实验结果表明:基于专家系统的串级PI控制器和陷波滤波器相结合的控制结构可以达到系统指标。     

熵权TOPSIS法的地面防空兵混编集群战斗部署方案优选

地面防空兵混编集群战斗部署是其遂行防空作战任务的关键,在诸多部署方案中选取最优是一项重要而复杂的工作.通过计算熵权得到原始数据的权重,并与TOPSIS法相结合进行定量分析,降低决策的主观性,并使作战方案决策更科学合理,通过在方案评估中使用逼近理想解的排序方法得出优选结果,具有较高可信性.     

基于信任中继的QKD网络研究

基于信任中继的量子密钥分发(QKD)网络由于其组网效果好、扩展性强、技术容易实现成为未来保密通信组网的首选方案。文章首先介绍QKD网络的分类和现状;然后提出信任中继网络的基本网络拓扑模型,在此基础上分析了网络的信道和密钥中继方式;最后提出了影响信任中继网络组网效果和性能的决定性参量,分析比较了信任中继网络采用不同选路方式的优缺点。     

基于AdaBoost-SVM算法的某火炮炮闩技术状态评估

针对现役装备技术状态评估多依赖于手工拆卸的现状,提出一种基于AdaBoost-SVM模式识别算法的在线技术状态评估方法。利用人工后坐在线检测设备对炮闩装置技术状态参数进行检测,在对检测数据进行相关性分析特征提取的基础上,引入支持向量机模式识别方法,建立炮闩装置技术状态评估模型。通过将评估模型与Ada-Boost算法相结合,每次迭代都根据测试精度对分类错误的样本点和各分量分类器的权重重新赋值,在下一次迭代中形成新的分量分类器以优化分类结果,最终将各分量分类器依其权重综合完成评估。实例分析结果验证了评估模型的正确性和有效性。