基于虚拟试验的履带车辆行驶载荷谱的确定方法

根据装甲装备典型考核试验的道路环境下土壤参数和路面不平度的统计特征,建立了用于循环测试的虚拟试验环境,按照长里程试验的工况参数和道路比例的统计数据,设计了虚拟试验测试程序.利用所建立的履带车辆的虚拟样机进行了虚拟试验测试,得到了循环工况下的负重轮轴垂向载荷时间历程信号,通过对载荷信号样本的平稳性和各态历经性检验,并利用非参数估计的统计计算方法,确定了满足精度指标要求的载荷样本长度(试验行驶里程),在此基础上利用非参数核密度估计法对载荷雨流矩阵进行全里程载荷的统计外推,获得了目标载荷谱.     

水基防锈液防锈性能的介电谱测定

阻抗频段的介电谱在金属腐蚀/缓蚀研究领域有良好的应用。为解决水基防锈液防锈性能常规检测方法实验用时长与结果误差大的问题,利用基于AD5933的介电谱仪和平面叉指电容传感器检测水基防锈液防锈性能。对样品介电谱进行直观分析,发现防锈性能好的样品,其介电信号更强烈;通过系统聚类算法分析,可快速区分样品防锈性能强弱和防锈剂类型;系统聚类算法与标准方法有一定的相关性,但二者所得结果的等级划分难以一一对应。实验结果证明,介电谱技术能够为水基防锈液防锈性能的定性检测提供快速且简便的新方法。     

基于相位差-频率拟合的宽带信号数字测向方法

提出了一种基于双阵元的宽带信号测向方法,该方法根据两阵元接收信号互谱的相频特性,采用直线拟合的方法可精确获得信号到达两阵元的时延参数,进而估计出信号的到达角.该方法所需阵元数少,不存在测向模湖,运算量小,易于工程实现.仿真实验表明,应用此方法可对宽带信号实时测向且有较高的估计精度.     

低截获概率技术对抗反辐射导弹研究

反辐射导弹的迅速发展对雷达构成了极大的威胁,研究切实可行的反辐射导弹对抗措施显得十分迫切.首先介绍了低截获概率雷达的定义;然后推导出低截获概率方程,得到雷达截获因子公式;最后根据截获因子公式,以扩谱技术、脉冲压缩和脉冲积累为例,论述低截获概率技术对抗反辐射导弹的有效性,并分别进行了仿真分析.这为雷达对抗反辐射导弹的提供了理论指导.     

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。     

基于声矢量传感器原理的目标被动定向算法

声测被动定向是声学监视技术的重要研究内容.为了实现对低空运动目标的声学监视,提出了一种基于声矢量传感器原理的被动定向方法,推导出了基于互谱法声强测量技术的定向算法,并对定向算法进行了分析和数值仿真.仿真表明:当传感器尺寸为0.28m、信号信噪比为5dB时,定向精度在2.5°以内.仿真结果说明,该定向算法是正确可行的,有较大的实用价值.该研究成果可直接用于空中运动目标,如飞机、导弹和无人机等目标的声测被动定向.     

基于Gabor谱方法的跳频信号参数盲估计

提出了一种基于Gabor谱的未知跳频信号参数盲估计方法。该方法利用Gabor谱能量集中、时频分辨率高、交叉项干扰小的特点,在未知任何先验参数的情况下,能够准确估计出跳频信号的跳频频率、跳变时刻和跳频信号驻留时间等参数。通过计算机仿真得到了较为准确的估计结果,验证了该算法的有效性。     

基于局部积分双谱与SVM的雷达目标识别

针对高分辨距离像的特点,应用双谱与SVM研究高分辨雷达目标识别问题。提出了基于局部积分双谱与SVM的雷达目标识别方法。该方法选择具有最强鉴别能力的积分双谱构成局部积分双谱特征,基于局部积分双谱进行距离像特征提取,然后应用支持向量机对提取的特征进行分类识别。利用四种局部积分双谱的目标识别仿真实验结果表明,提出的方法具有良好的分类性能。     

双极化天线的通信信号检测方法

在详细分析与探讨信号防御性能的基础上,对利用边界扫描的大区域通信信号电路体系进行了探讨,提出以TD-SCDMA网络为基础的双极化天线通信信号检测系统。通信信号检测过程中,用嵌入式处理器LPC2148结合四阶累积量的切片检测出TD-SCDMA信号,并通过估计获得TD-SCDMA信号的采样率,经过二次谱算法的运算,获得谱峰间的距离来估计出OVSE码的周期参数。以标准验证芯片为中心,针对相同类型的混合信号电路组建验证电路,最终完成对验证模块DOT4MBST及验证电路的检测验证。测试结果表明,提出的双极化天线的通信信号检测系统能够在错综复杂环境中,对通信信号进行精确的采集,且鲁棒性强。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。