无动力航母的神话

早在"辽宁号"下水前,就有一艘"不沉的航母"屹立在东南的一线。这就是坐落在闽东东冲半岛的霞浦机场。它三面环山,东面临海,像一艘永不沉没的航母镇守在祖国的东南,一代代霞浦官兵扎根山区,以苦为乐,用艰苦实干托举无动力航母的神话。毕业于国防科大的博士生黄安文,今年6月被分配到了这个机场。来部队的路上,山路十八弯,一路颠簸到了营门口,他的心里直打鼓:"这个部队怎么这么偏僻?"     

基于概率的网络雷达对抗系统综合探测定位性能分析

利用到达时间差和发射站与接收站的位置等数据给出目标位置落在空间不同点的概率密度,并将整个空间内总的概率密度函数峰值对应的位置作为系统的定位结果,将求解过程转化为求解一个简单的三元一次方程组,从而不需要求解高次方程,避开了复杂的矩阵运算,提高了求解速度.同时,分别对系统在不同工作模式下的探测定位性能进行了仿真分析,结果表明:有源无源综合模式的探测定位性能优于无源模式和有源模式.     

基于K均值排序方法的频域盲分离算法

针对频域盲分离算法中存在的排序不确定性问题,提出一种基于K-means算法的排序方法。该方法在排序中使用K-means算法对分离子信号进行整体排序,与传统相邻频点排序方法相比,大大提高了盲源分离的鲁棒性。仿真结果表明了该方法的有效性。     

面向反导预警作战的雷达交接班时机选择方法

针对反导预警作战过程中远程预警相控阵雷达(early-warning radar,EWR)和多功能地基相控阵雷达(ground-based radar,GBR)探测跟踪弹道导弹的交接班问题,提出了一种可行的雷达交接班时机选择方法.该方法通过卡尔曼滤波对弹道目标进行滤波定轨,基于目标瞬时运动状态估算目标剩余飞行距离,并依据GBR对目标的探测定位精度(geometrical dilution of precision,GDOP)进行接班时机优选,以支持反导预警作战雷达交接班决策.最后,通过一个实例验证了该方法的可行性和有效性.     

量子雷达的技术体制

当前,量子信息理论正在蓬勃发展,其应用已经深入到自然科学的各个领域.量子雷达是量子信息技术在目标探测上的具体应用,可探测隐身目标,具有超强的隐蔽性和机动性.主要介绍了量子雷达的分类、原理、系统组成、特点和关键技术问题.     

飞行器自适应预设性能姿态控制设计

预设性能控制是一类可以同时保证系统响应瞬态与稳态性能的非线性控制方法。针对具有非线性与未知干扰的飞行器系统,研究了一种无逼近预设性能姿态控制器设计方法,并进行了数值仿真验证。首先,研究了在传统预设性能方案中潜在的奇异性问题;其次,针对该问题提出了一种拥有自适应边界的预设性能函数改进方案。当归一化误差达到一定阈值时,通过放宽性能函数边界并使其重新收敛,确保跟踪误差被包覆,避免误差越界引起的奇异性,防止控制系统崩溃。最后,通过数值仿真验证改进方案的正确性与有效性。仿真结果表明,改进方案可以保证系统在存在误差越界的情况下姿态控制回路运行良好,并能满足预定的控制要求。     

一种六加速度计无陀螺惯性导航系统安装误差校准方法研究

针对加速度计安装方向和位置向量补偿的问题,理论上推导了一种六加速度计无陀螺惯性导航系统安装误差校准方法,通过重力效应进行加速度计方向向量的校准,通过载体旋转产生的向心加速度进行位置向量的校准,然后利用校准的结果进行加速度计输出补偿,并进行了计算机数字仿真。仿真结果表明,经加速度计安装校准和补偿,系统精度可提高600倍以上,验证了该方法的有效性。     

调频脉冲信号辐射源多普勒信息提取方法研究

提出了一种基于单脉冲频率及频率变化率联合估计和多脉冲联合估计脉冲重复周期变化率的调频脉冲信号辐射源目标多普勒参数提取方法。该方法解决了无源定位系统数据采样频率与辐射源脉冲重复周期不匹配造成的频率偏差问题,在脉冲到达时间的提取上避免了对脉冲边沿的判断,使得利用中频采样信号计算脉冲重复周期成为可能。介绍对了该方法所采用的频率及频率变化率联合估计关键技术,并在此基础上讨论了该方法所能达到的理论估计精度及误差分析,最后通过仿真试验验证了该方法的可行性和有效性。     

一种Cu基自蔓延焊笔焊接Q235和45钢焊缝的组织与性能

利用研制的一种可焊接6～10 mm厚钢结构件的Cu基自蔓延焊笔,焊接了10 mm厚的Q235钢和45钢,研究了其焊缝的组织形貌和性能,发现焊缝与基体间存在熔合区,焊缝属于熔焊焊接.焊缝的拉伸强度达282 MPa,弯曲强度达628 MPa,冲击韧度为46.43 J/cm2;焊缝显微硬度达HV0.1230,熔合区显微硬度达HV0.1255.6,高于基体热影响区的硬度.     

无监督特征学习的人体活动识别

针对人的局限性可能会导致在提取特征中丢失重要信息,从而影响最终的识别效果问题,提出无监督特征学习技术的惯性传感器特征提取方法。其核心思想是使用无监督特征学习方法学习多个特征映射,再将所有特征映射拼接起来形成最终的特征计算方法。其优点是不会造成重要信息的损失,而且可以显著减少所使用的无监督特征学习模型的规模。为了验证所提出的特征提取方法在活动识别中的有效性,运用一个公开的活动识别数据集,使用三种常用无监督模型进行特征提取,并使用支持向量机进行活动识别。实验结果表明,特征提取方法取得了良好的效果,与其他方法相比具有一定的优势。