基于目标威胁规则的雷达情报按需分发

针对预警监视网络中信息过载的问题,为了提高情报分发的效率,提出了基于目标威胁规则的情报按需分发方法。依据目标特征以及保卫对象,利用模糊综合决策和层次分析法估计目标威胁值,在此基础上,通过设定阈值过滤,并与用户作战需求模型动态匹配,最终将所得到的目标情报信息分发给特定情报用户。仿真表明,该方法能够有效地实现情报的按需分发。     

基于自适应动态分簇的二元传感器网络目标跟踪算法

针对二元传感器网络的目标跟踪问题,提出了一种通过设置簇内传感器节点数目门限自适应地调整簇的激活半径、利用少量被激活的节点进行跟踪的方法,并利用一种改进的分布式粒子滤波算法进行目标位置估计以减少粒子数和计算量。仿真结果表明:与传统的IDSQ算法相比,所提出的算法能够在保证一定跟踪精度的基础上,有效降低网络的能量消耗,提高网络寿命。     

水面舰艇反潜作战能力评估

水面舰艇反潜是提高自身防护力的重要措施.针对水面舰艇单舰反潜作战能力问题,在分析影响水面舰艇反潜的搜索、攻击、防御3个重要因素的基础上,建立了反潜作战能力评估指标体系,并引进灰色层次分析法,构建了评估模型,通过实例验证了模型的可行性.     

基于判别分析阈值滤波协作通信系统信道估计

在基于正交频分复用技术的放大转发协作通信系统中,针对传统信道估计算法估计精度差的问题,提出一种基于判别分析阈值滤波离散傅立叶变换信道估计算法。该算法首先通过设置改进的阈值门限初步获得信道有效抽头,然后利用马氏距离判别分析对已检测出的信道抽头修正。仿真结果表明:和传统方法相比,提出方法有效地滤除了信道估计中的噪声,改善了信道估计精度和误码率性能。     

非确知先验信息条件下MIMO雷达波形设计

考虑了目标先验知识未确知条件下,提升基于多输入多输出正交频分复用(MIMO-OFDM)雷达的空时自适应处理(STAP)最差条件下检测概率的稳健波形设计问题。在发射波形恒模特性及目标参数不确定凸集约束下,基于最大化输出信干噪比(SINR)准则,构建了提高最差条件下MIMO-OFDM-STAP检测性能的极大极小波形优化问题。为求解所得NP-hard问题,先将发射波形恒模特性松弛为低峰均比约束,而后利用对角加载(DL)将其重构为可有效求解的半定规划(SDP)问题。与传统非相关信号和主流非稳健算法相比,数值仿真验证了该算法可显著提升MIMO雷达目标检测的稳健性。     

基于统计特性的舰船一维距离像方位角分帧方法

舰船目标一维距离像的方位敏感性是利用一维距离像开展雷达目标识别的难点问题。针对该问题,首先根据舰船目标一维成像的机理和特点,分析并验证了舰船目标一维距离像复高斯分布的统计特性;然后,在此基础上利用K-S假设检验对距离像方位角进行自适应分帧,使得每帧的距离像数据符合同一复高斯分布,而帧帧之间的数据符合不同分布;最后,针对分帧后距离像数据的统计分布,利用Bayes分类器进行5类舰船目标识别实验。实验结果表明:自适应分帧算法不仅提高了舰船目标的识别率,还能显著降低识别运算量和存储量。     

一种基于AHP和目标检测识别性能的SAR干扰效果评估方法

为更好地评估对合成孔径雷达(SAR)的干扰效果,提出了一种基于层次分析法(AHP)和目标检测识别性能的评估方法。首先,根据战术背景对成像区域进行划分,利用AHP计算各区域的评估权重;而后,针对目标检测识别性能衰减情况设计评估指标,并根据干扰样式计算区域评估结果;最后,结合区域评估权重加权计算综合评估结果。仿真实验结果表明,该评估方法能与战术背景、作战需求紧密结合,较好地适用于近实时和非合作的评估场景。     

自适应调制的MIMO OFDM系统的性能分析

分析了MIMO OFDM的系统模型,研究了MIMO OFDM系统的自适应调制技术,给出了完整的自适应算法,探讨了自适应MIMO OFDM系统的频谱效率。仿真结果表明,自适应调制提高了MIMO OFDM的误比特率性能。     

改进AHP在导弹武器系统作战效能中的应用

导弹武器系统是一个十分庞大的系统,在评估其作战效能时应该综合考虑多方面内容.这时可以在多种方法的基础上结合AHP的办法.但传统AHP存在着许多缺点,不能对人主观错误性、片面性进行修正,其计算模型也存在着不足,在指出这些错误的同时给出了相应的解决方法,提高了评价的科学性与客观性,并对所做的工作进行了讨论.     

基于VMD-相关系数-峭度提取行星齿轮箱故障特征

针对行星齿轮箱振动信号源多,信号间耦合调制强烈,信号成分复杂,信噪比低导致其故障特征提取困难等问题,提出了一种新的基于VMD-相关系数-峭度的行星齿轮箱故障特征提取方法.即通过行星齿轮箱齿轮故障模拟试验采集振动信号,并对其进行变分模态分解(VMD),得到本征模态函数分量(IMF),计算IMF分量的相关系数,选择最优IM...