改进的导弹半实物仿真跟踪微分器设计

为了抑制三轴转台输出信号存在相位延迟和噪声对导弹半实物仿真系统性能的影响,研究并设计了一种改进的跟踪微分器进行相位补偿和滤波。基于传统跟踪微分器的工作原理,设计三轴转台输出信号跟踪的基本结构,分析其在输入信号存在噪声时,由于经过传统的跟踪微分器获取微分信号使得噪声强度放大,致使跟踪信号存在振荡的现象。在此基础上,提出一种将微分跟踪器产生的微分信号再串联一个跟踪微分器的相位超前补偿器设计方法,以滤除由于输入信号噪声引起的信号污染,进而消除输出信号的振荡问题。以某导弹半实物仿真系统三轴转台输出信号存在相位延迟和噪声的现象为算例,通过与超前校正方法对比研究,进行了系统仿真验证。仿真结果表明,改进相位超前补偿器能有效地提取姿态角速度信号,具有良好的滤波和相位超前补偿性能,进而证明了其在导弹半实物仿真试验应用的正确性和有效性。     

马六甲牵动日本敏感神经

近年来,马六甲海峡一次次地引起世人注目,不仅是由于其特殊的地理位置和繁忙的航运现状,更是由于曾一度被世人遗忘的海盗行径在这一狭长海域的死灰复燃。2000年1月吉隆坡反海盗中心公布的一份报告把马六甲和新加坡海峡称为世界上最危险的水域。1999年10月22日,一艘下水才一年多的日籍大型货轮“亚龙卓彩虹”号在马六甲海峡离奇失踪,船上价值2000万美元的铝锭没有了下落。这一海盗事件一下子触动了日本最为敏感的神经,进而也引发了日本控制海上运输线新一轮的思索和行动。     

MPF——海上补给远离岸勤

美海军的13艘海上预置舰(MPF)——装备有海军陆战装备,由海运指挥部指挥,现针对目标是一个只有手提发射装置的敌手,当敌人掌握更加先进的武器后,形势将会更加严峻。尽管吨位在45,000～52,000吨的MPF能在码头或必要日寸可在离岸4海里以外的地方卸货,但他们仍然被弹药和燃料阻碍,一般还得依赖于码头设施。陆战队有3个MPF中队,每个中队编有4～5艘船,位于迪戈加西亚岛、关岛一提尼安岛、地中海。每个中队运载供16500名官兵持续30天之久的各种物资、车辆和作战装备。面临危机情况日寸,中队将驶往一个附近有飞机场并靠近军事行动区的码头。然后他们全部联通,支持陆战队飞回美国陆地。     

激光致盲武器及其防护

科学技术的飞速发展及在军事领域的广泛应用,使传统战争模式发生了根本变化,海湾战争和科索沃战争的经验证明了高技术武器在现代化战争中的重要作用。自从1960年7月美国人研制出世界上第一台激光器以来,以激光技术为     

DDS/PLL技术在跳频抗干扰中的应用

本文阐述了跳频扩频的基本原理,进而提出了一种利用ＤＤＳ／ＰＬＬ实现ＦＨ的方法,并从相位噪声和杂散的角度出发,对它的性能进行了较详细的分析,最后提出了一种适用于跳频抗干扰通信系统的具体方案及其实验电路和测试结果。此频率合成器将国外产品化的直接数字频率合成器技术和传统的锁相环技术有机地结合起来,具有结构简单、频率分辨率高、频率转换速度快、杂散小、相位噪声低等优点。     

水下航行器自主导航定位技术前沿进展

导航与定位技术是自主水下航行器(AUV)预设任务并安全返航的前提,由于水下环境的限制,目前广泛采用多系统组合导航的方式来实现AUV的准确定位。面向AUV的工况特点,详细介绍了水声测速系统、水声定位系统以及地球物理场辅助导航技术的特征与技术难点,分析了用于水下自主导航时多源组合导航方法的最新进展,随着相关测量仪器领域的研究进展,基于精确测量地球物理场特征的辅助导航技术成为具有极强竞争力的方案之一。多AUV协同导航方案同样适用于复杂的水下环境,被视为未来AUV导航技术重要发展方向。     

面向移动单摄像机的多目标跟踪算法

针对移动单摄像机采集的视频序列中的运动多目标,重点研究了基于目标间的相对运动信息和数据关联策略的在线多目标自动跟踪器。利用目标间相对运动模型实现目标轨迹的恢复,减少目标轨迹碎片。运用事件匹配算法改进当前帧的检测响应与过去轨迹的分配,并降低跟踪过程中的目标身份转换次数。实验结果表明:该改进算法较原算法能够对序列中目标跟踪定位得更加精确,减少了轨迹碎片和身份转换次听语音 聊科研与作者互动数,在TUD-Campus序列上达到了与国际前沿多目标跟踪算法相当的效果。     

立方星陀螺/双星敏感器组合定姿方法

针对单星敏感器绕视轴方向旋转角测量精度相对较差的问题,提出了一种利用微机电系统陀螺和同时工作的双星敏感器的测量来获得精确的立方星姿态信息的方法。该方法基于平均双四元数的思想,基于乘性扩展卡尔曼滤波算法制定了集中式和分散式两种姿态确定方案。仿真分析结果表明,所提出的陀螺/双星敏感器姿态确定方法,在采用低成本、低精度的姿态敏感器以及传统滤波算法的情况下,仍能有效提高立方星的定姿性能,具有较高的精度和较快的收敛性。为立方星低成本、高精度姿态确定提供了一种可行的参考,并且具备一定的工程应用价值。     

基于主成分分析法的代价敏感极限学习机

在入侵检测中,传统的极限学习机(ELM)没有考虑到两方面的问题:一是误分类代价的敏感问题,在网络入侵检测中,需要考虑到误分类代价不同的问题,并以实现期望代价最小化为目标;二是冗余特征的处理问题,当入侵特征维数较多时,会存在着大量的冗余特征的问题,如果直接对高维数据进行分类,不仅入侵模式不能被准确分类,误检率较高,并且大量的冗余数据既耗费了系统的资源,也增大了入侵检测的时间。针对这两方面的问题,提出一种基于主成分分析法的代价敏感极限学习机(ELM)。通过主成分分析法对数据进行降维,确定主要特征;再将预处理后的数据训练极限学习机(ELM),以实现期望代价最小化为目标,从而实现降低入侵检测的检测时间,降低检测误报率,提高检测准确率的目的。实验表明,在入侵检测中,基于主成分析法的代价敏感极限学习机(ELM)与传统的ELM相比,不仅使分类准确率得到提高,降低了分类的误报率,而且在分类速度上也有一定的优越性,提高了网络运行的效率。