一种基于变结构控制的制导律的设计

针对平面拦截问题,将目标机动作为一类有界干扰,利用变结构控制理论推导出对目标高速机动具有强鲁棒性的制导律.在非线性运动学模型的基础上提出了一种新的变结构制导律,该制导律不需要得到目标精确的加速度和速度方位信息,因而更便于工程实现.仿真结果表明,该制导律对目标的机动具有强的鲁棒性.     

对GPS区域映射比例影响因素的分析

根据GPS区域映射系统诱导原理,推导出求解虚拟点邻域的算法,进而在此基础上对映射比例影响的因素进行了分析,主要包括虚拟点位置和转发器分布对映射比例的不同影响,并且对如何在有效干扰区域内通过选择虚拟点的位置和转发器的分布以达到映射比例的优化进行了研究,得到了优化方法,得出的结论可为实际应用提供参考.     

旋翼-机身组合体对机载导弹的气动干扰

直升机对机载导弹的气动特性和初始弹道的影响,对于改进导弹发射技术和载机的安全具有重要意义.对时间滗步进自由尾迹模型进行改进,建立了一种能快速收敛的悬停旋翼自由尾迹模型,并与机身面元模型耦合成旋翼/机身组合体气动干扰模型.发展了一种旋翼/机身组合体干扰条件下导弹气动特性的工程计算方法,并对某型空空导弹的气动特性和初始弹道进行了数值模拟.结果表明,导弹在最初几米内气动力系数变化十分剧烈,说明直升机确实对导弹具有很强的干扰作用.最后对结果作了简要分析,指出了直升机下洗气流对导弹的气动干扰规律.     

带落角约束的再入机动弹头的复合导引律

针对再入机动弹头垂直打击目标的要求,研究了具有末端落角约束的复合导引律.该导引律包括俯冲平面内的制导方程和转弯平面内的制导方程,通过在最优导引律的基础上引入滑模变结构控制,增强导引律的鲁棒性.为了减小控制量的抖振和能量损耗,提出了采用RBF(径向基函数)神经网络自适应调节切换项增益的方案,数学仿真验证了该方案的有效性.仿真结果还表明,与最优导引律相比,复合导引律在外界干扰的影响下仍能保持较高的制导精度.     

电子战条件下飞机敏感性分析及其减缩技术

介绍了电子战和飞机生存力及敏感性的内涵,构建了飞机敏感性量化评价指标层次体系。定性分析了电子干扰对雷达探测概率和导弹脱靶距离标准差的影响,并以算例说明了干扰效能的增大会引起导弹制导精度的降低和脱靶距离的增大,从而得出:电子干扰对飞机的敏感性和生存概率有重要的影响。引入了干扰效能因子的概念,并分析了将干信比J/S作为一种干扰效能因子考虑的可行性及优点。最后给出了降低飞机敏感性的电子战措施。     

车载UWB SAR干扰自适应抑制新方法

在分析车载超宽带合成孔径雷达(UWB SAR)探测系统中干扰类型及其产生机理的基础上,针对Tsaipei Wang等提出的批处理方法的局限性,提出一种基于迭代运算的图像域自适应干扰抑制方法.该方法利用基于韦布尔分布的恒虚警率(CFAR)检测器提高干扰信号估计的准确性;采用迭代方法在线估计和更新参数,实现干扰的自适应抑制.实测数据处理结果表明:该方法可有效抑制自信号干扰,且结构上适于实时处理,可满足车载UWB SAR探测系统对图像预处理的要求.     

通信干扰弹靶场试验数据处理系统

为了采取有效措施对通信系统进行干扰,一般采用地面电子干扰方式或机载电子干扰方式,而通信干扰弹是近年来发展的一种新型投掷式干扰设备.为了有效进行通信干扰靶场试验,评估通信干扰弹的性能,进行了通信干扰弹靶场试验数据处理系统的研究,设计了基于雷达技术、GPS技术和计算机技术的数据处理解决方案,采用坐标转换、回归分析等原理给出了动态目标位置测量、干扰弹降速计算与落点推算、干扰效果评估等问题的解决方法.     

基于matlab的机载SAR干扰功率仿真系统

为提高设计机载SAR(合成孔径雷达)干扰功率计算的效率,在matlab (MATrix LABoratory)软件平台上结合数学模型和数字信号处理理论建立了机载SAR干扰功率计算模型,并在此基础上进行了仿真.系统对点目标回波信号、分布式地物回波信号和干扰信号的处理过程建立了数学模型并进行了计算机仿真,对仿真结果进行了深入分析,得出了实用的结论.系统具有显示的直观性、实时性与逼真性,而且具有很强的扩展性,可用于与机载SAR有关的教学、科研与试验分析.典型仿真范例及结果表明用matlab仿真机载SAR干扰功率系统是方便和高效的.     

试论激光测距产品“乱数”问题及对策

本文针对激光器的原理结合相关产品实际,分析了引起激光测距产品“乱数”问题的末端因素,并对其中的相关末端因素逐一进行确认,找出主要原因,制定相应对策。力争为相关激光测距产品“乱数”问题提供参考。     

基于高阶累积量与神经网络的干扰识别算法

研究了一种基于高阶累积量和神经网络的干扰识别算法。该方法把卫星通信中常见的各种干扰信号的归一化高阶累积量作为分类特征参数,应用神经网络对特征参数进行分类训练,将接收干扰信号的归一化高阶累积量输入已训练的神经网络进行干扰类型的识别。试验结果表明:该算法在低干信比的情况下具有较高的识别准确率。