基于改进混沌映射和WFRFT的射频隐身信号设计

为了提高雷达射频隐身信号的低截获性能,提出了改进一维混沌映射和加权分数阶傅里叶变换结合的方法,设计一种射频隐身信号。该信号利用改进一维混沌映射脉内调频和脉间调相,对调制后的复合信号加权分数阶傅里叶变换,分析了该信号的相关特性、功率谱以及模糊函数,同时与其他2种混沌信号对比。仿真结果表明,该复合调制信号自相关PSL为-81.27 dB,ISL为-72.08 dB,信号平均功率为-34.41 dB,并且模糊函数近似为“图钉型”,该信号具有较好的低截获和抗识别性能,射频隐身性能良好。     

一种舰船目标一维距离像识别的新方法

提出了一种基于傅里叶-梅林变换和二叉树支持向量机相结合的舰船目标一维距离像识别方法。该方法充分利用了傅里叶-梅林变换具有的时移与尺度不变性和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能。针对多类舰船目标的识别,提出采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量。对4类舰船目标仿真实验的结果表明,该分类方法具有较高的识别性能、较快的识别速度。     

基于调频傅里叶变换的高速目标ISAR距离像算法

在大时宽带宽线性调频(LFM)体制高分辨逆合成孔径(ISAR)雷达中,目标高速运动将引起严重的回波多普勒色散,如果不消除该影响则不能正确成像。针对该问题,设计了一种通过调频傅里叶变换对目标脉内运动参数进行估计,补偿回波脉内走动得到目标距离像的方法。该方法首先估计脉内运动参数,初步补偿脉内走动,然后估计运动轨迹进一步精确补偿脉内走动,补偿脉内走动后通过包络对齐消除脉间走动,得到目标距离像。算法的主要过程在脉冲重复周期内进行,可以满足实时成像和参数估计的需求。     

基于谱估计的方位时间序列匹配算法

利用水声匹配场的思想建立了纯方位TMA(Target Motion Analysis)的匹配处理模型,把纯方位TMA改建为谱估计问题,进一步引入信号处理领域的MUSIC谱和快速傅里叶变换处理估计目标运动参数.数值仿真结果表明:子空间MUSIC算法较不稳定,搜索步长较大使得结果在真值附近波动较大,不能准确而稳定地收敛到真...     

基于联合傅里叶变换测量CCD图像采集系统的像素问距

分析了CCD图像采集系统的像素间距测定的必要性,指出了靶板标定方法的缺点,介绍了联合傅里叶变换测量原理,给出了用测定CCD图像采集系统像素间距的测量装置以及测量方法。得到了实际测量的数据,并对数据进行了分析。     

基于BP神经网络的极移预报*

为了提高地球定向参数极移的预报精度,建立了一个极移数据预报模型。利用傅里叶分析研究插值基础序列的周期特性,验证了基础序列重采样的可行性,提取插值基础序列数据的趋势项,利用多输入-单输出BP神经网络建模预报不同跨度的残差序列,合并趋势项和残差序列得到最终的极移预报。预报结果表明,选取合适的插值基础序列得到的预报极移精度较高,此BP神经网络能够有效地应用于地球定向参数极移的预报。     

BP神经网络在极移预报中的应用

为了提高地球定向参数极移的预报精度,建立了一个极移数据预报模型。利用傅里叶分析研究插值基础序列的周期特性,验证了基础序列重采样的可行性,提取插值基础序列数据的趋势项,利用多输入-单输出反向传播(Back Propagation,BP)神经网络建模预报不同跨度的残差序列,合并趋势项和残差序列得到最终的极移预报。预报结果表明,选取合适的插值基础序列得到的预报极移精度较高,此BP神经网络能够有效地应用于地球定向参数极移的预报。     

泵喷推进器线谱非定常推力预报方法与试验验证

为预报泵喷推进器转子与周期性前导叶尾流互作用线谱非定常推力,忽略泵喷推进器转子叶片厚度,将泵喷转子简化为环形叶栅,根据片条理论,在半径r处截取泵喷转子分段,忽略流场参数沿分段径向的变化,从而可将该环形叶栅分段视为平面叶栅,在平面叶栅与简谐波互作用的基础上考虑周期性进流,推导得到前导叶分段与转子分段互作用线谱非定常激振力,转子分段周向积分得到非定常推力线谱预报公式,通过数值和试验方法验证公式的有效性。开展设计参数影响分析,得到当前导叶-转子间距与前导叶弦长的比值大于1时,转子-后导叶间距对转子单个叶片的激振力线谱推力几乎不存在影响。     

一种改进的多相码信号参数估计法

目前,对由频率导出的一类多相码脉压雷达信号(Frank码和P1 ～ P4码)进行参数估计是电子对抗侦察技术中的难点之一.针对此问题,提出一种基于改进的分数阶傅里叶变换(FrFT)的多相码信号参数估计方法.该法利用积分二次相位函数将FrFT的二维搜索转换为2次一维搜索,较大减少了计算量.仿真表明,该法能在较小的计算量下达到与RWT和RAT法相当的估计精度.