基于Simulink的磨损火炮内弹道仿真

火炮内弹道性能直接决定火炮的首发命中率和首群覆盖率,为提高高膛压滑膛坦克炮射击效果,补偿因烧蚀磨损造成的内弹道性能下降,在分析火炮烧蚀磨损内弹道学理论的基础上,建立了基于烧蚀磨损的滑膛坦克炮内弹道数学模型和基于MATLAB/Simulink的内弹道仿真模型。对滑膛坦克炮内弹道进行了数值模拟,得到了不同烧蚀磨损情况下火炮内弹道性能的变化曲线,将仿真结果与实验数据进行了分析比较,结果表明:仿真结果与实验数据基本吻合。验证了模型的可行性,仿真结果可为磨损火炮的内弹道性能修正提供参考,同时,基于Simulink的内弹道仿真模型的建立更有利于后续模型的工程化应用,可实现与硬件设备的紧密结合,为烧蚀磨损火炮内弹道性能的研究应用提供了新思路。     

移动终端基于机器视觉的器材识别研究

提出了单兵移动终端离线状态下基于机器视觉的装备器材识别的方法,从图像采集、图像预处理、特征提取及数据匹配3个模块展开分析。简要介绍了手持终端图像采集的相关考量。通过畸变校正、降噪、轮廓提取等,得到器材的轮廓图像,为特征提取做好准备。选取器材的几何形状特征作为识别依据,通过ORB算法得到图像的特征向量,并进行匹配,达到识别器材的目的。实验测试数据表明,该算法具有较高的识别率和良好的实时性。     

基于防空反导的战术级通用态势图分析研究

针对不同战场角色、作战任务、作战规模、战场级别、关键事件环境等情境因素中,指挥员无法准确而迅速地获取需要的信息等问题,在战术级指控系统与当前防空反导发展趋势的基础上,集中详细地阐述了通用态势图。在战场态势预测分析的基础上,进一步介绍了其关键技术,并通过仿真数据进行了验证。在帮助指挥员深入认知战场态势上提供了辅助,从而减少了冗余态势信息对指挥员的干扰,缩短了整个决策环的时间。     

悬浮式弹载通信干扰模型构建方法研究

为探求OPNET仿真平台下悬浮式弹载通信干扰系统的模型构建方法,确定了干扰机工作频段,对干扰对象的天线类别、信号传播方式、跳速和频率间隔、调制解调方式以及干扰机拟采用的干扰种类等5个方面进行了明确。以此为基础,具体围绕OPNET平台下的3层建模机制建立了悬浮式弹载通信干扰系统仿真模型,并对仿真参数做了解释和说明,对被干扰电台信号自由环境传输下的仿真场景进行了验证。仿真结果间接证明了所构建仿真模型的可行性。     

未知新生目标强度的多目标概率假设密度滤波算法

针对标准概率假设密度滤波器要求,新生目标强度作为先验信息需已知的工程限制,提出一种未知新生目标强度的多目标概率假设密度算法。该算法以概率假设密度滤波器为基础,通过充分利用目标运动信息及其与监视区域的相对关系来获取源于潜在新生目标的量测,并以此建模下一时刻滤波器所需的新生目标强度。仿真结果表明,所提算法在含有未知新生目标跟踪场景具有鲁棒的滤波性能,且其跟踪精度和计算代价均优于相关多目标PHD滤波器。     

无人机协同下远程火箭炮作战能力评估

分析了无人机协同远程火箭炮作战的实施方法、作战过程以及对抗条件,在此基础上,构建了无人机协同下远程火箭炮作战能力评估指标体系,并阐述了指标值的标准化方法。采用幂指数和层次分析法(AHP)相结合构建模型,通过分析计算结果进而得出评估结论,对类似作战能力评估问题研究和解决部队作战训练实际运用问题有一定参考意义。     

合成化装备体系火力协同关键技术

多军兵种合成是现代军事大国部队编成的基本形态,体系化对抗是现代战争的基本方式。火力协同技术对充分发挥装备体系作战效能、提升合成部队作战能力具有重大推动作用。在简单介绍装备体系火力协同技术实现流程的基础上,重点介绍装备体系火力协同所涉几种关键技术的发展过程与应用领域,并对其发展进行了展望,期望能对有兴趣投身相关领域研究的学者给予借鉴与启迪。     

基于Vague集的多人决策地面防空火力配系评估方法

针对已有评估方法存在的不足,提出一种基于Vague集的多人决策地面防空火力配系评估新方法。对地面防空火力配系评价指标进行了分析,给出了偏离理想决策最大的Vague集剔除方法,使多位决策者意见不一致的问题得到了有效解决,构建了地面防空火力配系评估数学模型,给出了防空火力配系评估方法。通过实例分析验证,该方法评估结果客观准确。     

面向人机协作的网络信息体系架构建模方法

越来越多的智能系统融入未来战场,如何将人的认知能力与机器的快速计算、精准打击等能力有效结合,优化分配人机权限,提升网络信息体系的作战效能成为亟待解决的问题。探讨基于网络中心OODA模型的人机协作机理,创新地提出体系结构人机视角,详细描述了人机视角模型的建模方法,阐述了人机视角的设计过程。以应用示例验证了人机视角在智能化作战下的网络信息体系人机融合顶层设计中的重要指导作用。     

基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。