对SAR微动调制干扰效果仿真分析

鉴于微动目标成像的特点,引入了一种基于微动调制的SAR新型欺骗干扰样式,建立了信号的理论模型,分析了信号的分布特性,并结合干扰自身特点讨论了分布式干扰的工作模式.在此基础上,从战术运用的角度出发,针对微动干扰样式的特点提出了基于欺骗度的干扰效能评估指标,并结合人工决策模式得到了干扰样式优选的判决条件,该评估方法复杂程度更低,更加易于工程实现.仿真实验结果表明,基于微动调制的干扰样式不仅能够在SAR图像方位向形成虚假目标串,而且通过布站能够对地面高价值军事目标形成有效保护,是一种有效稳健的干扰方法.     

利用主成分分析的通信调制识别通用对抗攻击方法

深度学习容易被对抗样本所攻击。以通信调制识别为例,在待传输的通信信号中加入对抗性扰动,可以有效防止非合作的用户利用深度学习方法识别信号的调制方式,进而提升通信安全。针对现有对抗样本生成技术难以满足自适应和实时性的问题,通过对数据集中抽取的小部分数据产生的对抗扰动进行主成分分析,得到适用于整个数据集的通用对抗扰动。通用对抗扰动的计算可以在离线条件下进行,然后实时添加到待发射的信号中,可以满足通信的实时性要求,实现降低非合作方调制识别准确率的目的。实验结果表明该方法相对基线方法具有更优的欺骗性能。     

基于BP网络的管道自适应有源消声研究

由于管道有源消声系统的参数时变性和本质非线性,基于传统自适应算法的控制系统稳定性不够,容易产生振荡.文章采用神经网络BP算法,利用Matlab6.0建立了管道有源消声的仿真控制系统.通过与采用传统自适应算法的控制系统进行仿真研究对比,证明采用神经网络BP算法的控制系统消声效果更加明显.     

用于纯方位目标跟踪的修正极坐标自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差的问题,提出了一种修正极坐标系下的自适应卡尔曼滤波算法,对虚拟系统噪声进行估计,动态补偿模型线性化误差,对其滤波理论及算法进行了研究和仿真。仿真结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。     

一种新的双多进制正交扩频复合调制方案

本文提出了一种可用于高速数据传输的双多进制正交扩频复合调制方案(Dual N—ary Orthogonal SS and M-ary DPSK,简记为DNOrth—MDPSK),对AWGN和瑞利衰落信道中的性能进行了仿真,并分析了频差对性能的影响。结果表明：与单纯的DNOrth相比．DNOrth—MDPSK可提供更高的带宽效率,而性能损失却很小。     

基于改进SUSAN算法的红外目标边缘检测

从3个方面改进了传统的SUSAN算法:①自适应选取阈值,以提高算法自动化程度:②使用双几何阈值,增强算法的抗噪性;③加入目标点判断因子,减少计算时间.利用改进的算法进行了红外目标边缘检测,结果表明,改进算法比传统的SUSAN算法有更强的噪声抑制能力,更快的边缘检测速度,显示出更加优良的性能.对对比度比较低的红外图像,改进算法可以减少40%以上的计算时间,而对对比度较高的红外图像,改进算法可以减少70%以上的计算时间.     

基于LabVIEW和PCI-5640R中频卡的假单脉冲锥扫调制信号模拟

在假单脉冲体制雷达的中频信号模拟中,由DSP配合软件实现的锥扫调制模拟,运算速度慢且数据传输量大。针对该问题,提出了一种基于LabVIEW语言和PCI-5640R中频卡的信号锥扫调制的实现方案,根据中频卡中的FPGA可编程实现多路并行运算的特点,利用LabVIEW对其编程,并进行仿真实验。结果表明：该方法模拟效果好,运算速度快,而且实现简单。     

一种“当前统计”模型的模糊自适应算法

"当前"统计模型作为一种先进的时间相关模型,在跟踪机动目标的时候,具有着很好的跟踪效果,但是当目标的机动较弱时,该模型的效果变差。通过对该模型进行分析得知,在该模型中由于机动加速度的最大值不能自适应地调整,导致低机动时系统过程噪声较大,因此在跟踪低机动目标时跟踪效果不太理想。为了克服这一缺点,给出了一种可行的采用模糊自适应调整"当前"模型最大加速度的方法,对模型的最大加速度进行自适应调整。通过仿真结果可知,与标准的"当前"统计算法相比具有更好的跟踪效果。     

基于自适应模糊PID的二级倒立摆控制方法

为了提高平面二级倒立摆模型控制过程的动态、静态性能及对控制器参数的自适应整定能力和抗干扰能力,提出一种将PID控制与模糊控制相结合的自适应控制算法.应用拉格朗日方程建立平面二级倒立摆数学模型.根据实际经验确定模糊隶属度函数并建立模糊规则表.通过计算误差和误差变化率设计自适应模糊PID控制器.为设计的控制器建立仿真模型,...     

分块自适应加权改进大规模概率模糊聚类

为解决传统基于贝叶斯理论的概率模糊聚类(Bayesian Fuzzy Clustering,BFC)算法在处理大规模数据集聚类时的时间开销和存储代价瓶颈,提出基于数据分块的单程自适应加权BFC算法,算法在大规模数据集分块的基础上,设计了基于数据加权的改进BFC算法,用于数据分块内数据聚类,以挑选出对聚类贡献最具代表的标识数据及其自适应权值,在块间迭代聚类过程中,将标识数据及其权值合并到下一数据块中并参与聚类,从而将上一数据块的聚类信息有效地传递到下一数据块中,最后分析算法的收敛性和时间复杂度.实验结果表明,算法在继承传统BFC算法良好聚类性能基础上,减少计算复杂度,有效提高聚类效率,适用于大规模数据集聚类.