基于多信号模型的计量策略设计与验证

装备可计量性的理论方法研究对提高装备的计量保障水平具有重要意义。针对国内缺乏装备可计量性模型的现状,提出了可计量性分析设计的多信号模型方法。系统总结了可计量性多信号模型的基本理论,详细介绍了在单超差假设及不考虑组元可靠性、计量时间和费用影响下的超差检查用检定和超差定位用检定操作优选算法以及计量策略制定方法。建立了信号产生系统多信号模型,给出了超差-检定相关性矩阵,分析了信号产生系统的计量检定树,结论与信号产生系统实际检定方法相符,实例证明,此方法合理有效。     

双站测向与测时差组合定位精度分析

针对无源雷达测向与测时差组合定位问题,提出一种利用前者量测结果为后者构建假量测点和协方差的新方法,并采用凸组合法对测向与假量测结果进行融合,得出综合定位精度的分布。仿真结果表明,该方法能够有效地利用两种完全不同的量测数据,提高目标的定位精度,同时给出的GDOP理论值可以真实反映组合量测的性能,具有一定的应用价值。     

作战任务总量的迭代收敛性

为降低作战任务的复杂度,提高任务执行效率,研究了作战任务总量及其迭代收敛问题.首先,采用图形和设计结构矩阵,阐明反导作战子任务的复杂联系.再引入任务转移矩阵建立任务总量模型,总结迭代收敛条件.最后,综合考虑资源和时间约束,规划子任务优先级并优化作战资源配置.结合实例分析了任务总量迭代收敛规律的可行性和有效性,为反导作战任务规划提供了理论指导.     

讲评指“短板”揭“痛处”

山西省军区党委机关"新年度,阳泉军分区要继续保持班子成员年龄到‘限’精神不懈怠、职务到‘杠’干劲不减退,营房部门要帮助解决军分区在推进新营房建设过程中涉及的手续批复、土地置换等问题。"近日,山西省军区利用召开党委扩大会的时机,在前段时间考核各师(旅)级党委班子的基础上,党委常委进行集体讲评,问题直指"短板",帮建亮出"实招"。省军区领导对记者说:"贯彻落实十八大     

变步长LMS算法在PCMA信号相位估计中的应用

为提高PCMA信号相位估计的精度,基于联合循环统计量与变步长最小均方（least mean square,LMS）的理论,提出了一种PCMA信号相位高精度估计算法。算法推导信号参数与循环统计量的定量关系进行相位的初估计,对接收信号进行变步长的LMS自适应滤波,通过迭代提升相位估计精度。对算法进行了不同维度的仿真对比实验,仿真结果表明,算法收敛速度快,适用范围广,性能相较于传统方法提升2dB左右。     

构造二维正交紧支撑线性相位小波滤波器的递推算法

根据二维小波滤波器参数化理论,提出了一个具有可操作性的二维小波滤波器递推算法。用最简形式刻画了4阶标准正交中心对称矩阵,并证明了根据算法产生的线性相位滤波器的一个重要性质。     

空战中基于威胁评估的任务规划

根据空战作战计划的复杂性、实时性特点,提出了在威胁评估基础上动态进行空战任务规划以实现对战场的有效实时控制.首先建立了融合态势优势和空战效能指数优势的威胁评估模型,然后将感知到的战场态势信息作为威胁评估模型的输入,得到体现战场态势的优势矩阵,最后在此基础上进行攻击目标的分配.以目标分配的结果为根据就可以指导作战单位做出正确实时的决策.     

基于解线频调ISAR成像与散射中心匹配的弹道目标识别

为了能充分利用目标的散射中心进行弹道目标识别,提出利用解线频调的方法,通过对距离向和方位向进行快速傅里叶变换(FFT),实现对目标散射中心成像,然后从目标ISAR像中提取目标特征信息。最后提出了一种新的匹配识别的方法实现对目标的分类识别,该方法利用提取的散射中心的位置和幅度信息,通过构造匹配度矩阵,判定目标所属的类别。仿真实验表明,该方法在设定情况下具有良好的目标识别能力。     

不同羽流模型在封闭空间池火灾中的应用

利用不同羽流模型对封闭空间火灾进行建模,在结合实验测出的热释放速率基础上,计算了不同羽流模型下的烟气填充时间和温度变化情况。将计算结果和实验数据进行了对比,分析了不同羽流模型的适用性。结果表明:火灾初期,4种羽流模型下的烟气填充速度相近,其中McCaffrey羽流模型与实际烟气填充过程最为接近;火灾后期,Zukoski羽流模型最接近实际烟气填充过程;火灾过程中,Thomas羽流模型和Zukoski模型计算结果非常接近,Thomas羽流模型更适用于一般的工程计算;4种羽流模型下的烟气层温度和实验结果有很大差异,实际工程中均不建议用来预测烟气温度。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。