美军联合作战战场电磁频谱管理研究

针对当前战场电磁频谱管理热点问题,详细论述了在复杂电磁环境下美军联合作战各级指挥机构中频谱管理机构的职责、频谱管理方法,以及频谱管理方案的制定程序、内容等问题,并归纳总结了美军进行战场电磁频谱管理的经验,为未来联合作战中的战场电磁频谱相关问题提供积极的参考。     

利用分数抽头均衡器快速定时同步

建立了分数抽头均衡器(FSE)与定时同步相结合的信号模型,分析了定时误差对于均衡性能的影响,提出了一种新的基于FSE的快速定时同步算法。在未知参考序列相位的情况下,利用循环均衡快速收敛并建立同步。在相位跟踪阶段,利用抽头增益跟踪定时相位误差,通过对采样数据进行抽取或插值以及均衡器抽头的移位操作控制相位误差。仿真表明,该算法能在长度为均衡器抽头数的符号周期内快速建立同步,通过采样率的选择可以精确地控制定时相位误差。     

考虑扰动引力影响的弹道助推段误差传播解析计算方法

针对地球扰动引力对弹道导弹惯性导航精度影响日益突出这一问题,研究了沿弹道扰动引力的多项式拟合方法,并基于线性系统理论和弹道摄动思想推导了用于求解扰动引力对弹道助推段状态影响的完整解析表达式。同时考虑扰动引力影响与导弹视加速度之间的耦合特性,将扰动引力引起的视加速度偏差视为扰动引力影响的附加补偿项,并进行迭代修正。仿真结果表明:扰动引力拟合残差小于3×10~(-7)m/s~2,考虑耦合项修正的弹道误差传播解析模型计算残差减小为原有方法的1/3,计算时间仅为直接采用弹道积分求差法的1/10。     

非线性系统中的机动目标跟踪算法

对于非线性系统中的机动目标跟踪问题 ,首先针对“当前”统计模型的缺陷提出了一种修正算法 ,然后应用转换测量Kalman滤波算法进行跟踪。仿真结果表明在非线性观测条件下 ,算法明显提高了对弱机动和非机动目标的跟踪性能 ,同时保持了对强机动目标的高性能跟踪     

水面舰艇编队巡逻搜索时的组织与战术计算

在现代海上作战中,潜艇是打击目标的重要兵力之一,因而反潜作战更是现代海战的重要样式之一。主要研究了巡逻搜索的各种方法的使用条件,在对四种不同的巡逻搜索方法进行了相关战术计算的基础上,给出了水面舰艇编队进行巡逻搜索时的组织方法。对在巡逻搜索中水面舰艇编队组织和指挥具有一定的借鉴作用。     

截顶圆锥薄壳振动特性的计算

用有限单元法计算,单元为轴对称截锥壳。法向位移函数w 和周向位移函数v 采用三次多项式,纵向位移函数u 为线性多项式。其节圆自由度选取节圆上三个位移,一个转角和一个剪应变。计算结果与文献[1]、[2]和[3]作了比较。这方法和程序可以应用于计算截顶圆锥壳的振动特性。     

确立与建设信息化部队相适应的思想观念

积极推进中国特色军事变革 ,领导干部必须牢固确立与建设信息化部队相适应的思想观念 :其一 ,信息化战争正逐步取代机械化战争 ;推进中国特色军事变革 ,必须确立信息化是我军现代化建设“主要目标”的观念。其二 ,信息化战争中信息居于整个作战体系的中枢 ;建设信息化部队 ,必须确立信息力是“第一战斗力”的观念。其三 ,信息化战争实质上是人的知识技能的较量 ;建设信息化部队 ,必须确立人才是“第一资源”的观念。其四 ,信息化战争是诸军兵种一体化的联合作战 ;建设信息化部队 ,必须确立搞好顶层设计、促进全面协调发展是“第一要求”的观念     

CFO条件下的OFDM子载波调制样式识别方法

提出了一种基于信号幅度分布特征与多次方谱线特征相结合的调制样式识别算法。该算法主要基于正交解调后的正交频分复用子载波信号的幅度分布特征,采用直方图统计的方法实现多进制相移键控和多进制正交幅度调制识别,用多方次谱特征实现多进制相移键控类的调制识别。相比基于经典的高阶累积量的调制识别算法,具有更好的载波频率残留偏差适应能力,在载波频率偏差条件下,提高了调制识别率;相比循环平稳方法,具有更好的信噪比适应能力。仿真实验结果表明了该方法的有效性,相同的识别率下能适应更低的信噪比。     

认知电子战综述

认知电子战通常被定义为以具备认知性能的电子战装备为基础,注重自主交互式的电磁环境学习能力与动态智能化的对抗任务处理能力的电子战形态。自其被首次提出以来,以其感知准、推理强、决策快的优势备受国内外研究学者广泛关注。随着人工智能新理念、新技术、新应用的不断涌现,认知电子战步入崭新的发展阶段。为捕捉其未来发展方向,从人工智能角度出发,总结并丰富了认知电子战概念内涵,梳理认知电子战的发展脉络及外国典型项目,搭建认知电子战系统框架及架构,从感知、判断、决策等方面对认知听电子战关键技术进行了全面系统综述,并总结了认知电子战面临的挑战和发展趋势。     

异步非平稳干扰抑制方法

为解决单通道条件下异步非平稳干扰抑制问题,提出基于数据驱动的稀疏分量分析干扰抑制方法,旨在从接收到的混叠信号中恢复期望信号。该方法利用深度卷积神经网络对输入/输出端数据间的复杂映射关系的强大建模能力,实现了目标信号稀疏域的自适应选择、稀疏域中目标信号稀疏表示的自适应学习以及目标信号的自动恢复。与以往干扰抑制算法不同,所提方法在时域上完成了“端到端”的信号波形恢复,且对混叠观测无先验要求,相比现有方法更具普适性。仿真实验验证了所提干扰抑制方法在不同环境噪声和干扰信号强度及泛化测试条件下的有效性,对干扰的抑制性能显著优于现有算法。