粒子滤波算法在单站无源定位中的应用

单站无源定位是目标跟踪领域的一个研究热点问题.首先介绍了采用增加观测信息量的方法来实现单站无源定位的技术,即方位/多普勒频率联合定位方法,对其定位原理以及实现进行分析讨论.引入一种新的滤波器-粒子滤波器方法(Particle Filter,PF)探讨了海面上运动的观测平台对远距离运动目标定位的应用背景,对目标的原始定位结果进行滤波处理,以减弱测量噪声的影响,提高定位的精度.仿真结果表明了这一处理算法的有效性以及高精度.     

基于复杂网络的作战系统结构研究

信息化战争的现实需求推动着作战系统的发展变革,其结构组成日益呈现复杂化和网络化的特点.基于复杂网络理论和网络中心战思想,将作战系统进行纵向节点划分,建立起四重网格立体模型,并从拓扑结构定性分析出发,推论出其内部组成具有小世界和无尺度的基本特征,为进一步将复杂网络研究成果运用到作战系统中提供了理论参考,具有积极的现实意义.     

无陀螺捷联惯导系统角速度解算方法研究

传统的捷联惯导系统通常用陀螺仪测量载体的角速度,无陀螺捷联惯导系统用加速度计代替陀螺仪,从加速度计输出的比力中解算载体的角速度,角速度的解算精度决定了无陀螺捷联惯导系统的性能及能否在实际中得到应用。分析了一种12加速度计配置方式的无陀螺捷联惯导系统的角速度解算方法,并将卡尔曼滤波技术应用于角速度解算,提高了角速度求解精度。     

单站测向定位技术研究

对单站测向定位的技术进行了研究,结果表明:固定单站测向定位只能确定目标运动的航向,并给出了航向的计算方法;运动平台单站测向定位可以确定目标运动的航迹(测向平台以匀速直线运动除外),给出了目标位置的计算方法;同时探究了运动平台做匀速直线运动不能对目标定位的原因,进一步明确了运动平台单站测向定位的条件.     

无源雷达与隐身技术之争

美国《联合部队季刊》2009年第4期刊登了美海军陆战队阿兰德·威斯特拉中校关于无源雷达与隐身技术方面的文章。该文首先介绍飞机与雷达之间的斗争史,随后介绍隐身技术和反隐身技术的兴起和目前被动雷达的出现,以及它与信号处理和信号合成技术发展之间的关系。     

无铬型浸渍炭的研究

以活性炭为栽体,用Cu、Mo、Zn等过渡金属作活性组分,加入三乙撑二胺(TBDA)作添加剂,经浸渍、活化制成无铬浸渍炭。根据实验结果指出了活性炭的常规技术指标对控制浸溃炭防护性能的局限性,重点讨论了基炭的孔隙结构及TEDA对浸渍炭防毒性能的影响．经对中试生产的无铬浸溃炭装填的滤毒罐的测试结果表明,这种浸溃炭有较好的防毒性能和稳定性,可取代ASC型浸渍炭作化学防护器材的防毒材料．     

面向士兵体力增强的单兵助力机器人设计

为了解决士兵负重携行时体力消耗过大,易于出现骨骼肌肉损伤的问题,设计了一款士兵体力增强的无动力助力机器人,可实现士兵负重能力与持续作战能力的提升。结合人体运动负重原理,采用相容性的机构设计、变刚度的柔性仿生脊柱设计、四边形铰链式结构的自适应膝关节设计等关键技术,对单兵助力机器人采用了拟人化结构设计,确保了与士兵的有效融合,能够协助士兵在战场上负载装备而不影响其战术动作;利用ANSYS软件对其关键零/部件进行强度分析,以验证整体结构设计的稳定性和正确性,仿真结果表明,单兵助力机器人安全可靠,能够有效协助士兵携行负重。对单兵助力机器人的应用前景进行了分析,对士兵体力增强的研究具有一定的指导意义。     

弹道目标跟踪滤波方法研究

主要对弹道目标的跟踪滤波方法进行了综述,对扩展卡尔曼滤波（extended Kalman filter,EKF）、转换测量卡尔曼滤波（conversion measurement Kalman filter, CMKF）、基于弹道运动方程的扩展卡尔曼滤波（ballistic extended Kalman filter, BEKF）、基于弹道运动方程的无敏卡尔曼滤波（ballistic unscented Kalman filter, BUKF）4种滤波算法的关键点、优缺点进行了剖析。进一步利用仿真的弹道数据对4种滤波方法的效能进行了验证,对比了不同滤波器的滤波精度和再入目标的跟踪性能,分析了质阻比对滤波性能的影响,提出了选择和设计目标跟踪滤波方法时需要考虑的几个问题,为雷达滤波方法的选择和设计提供参考和依据。     

基于元课程强化学习的多智能体协同博弈技术

多智能体协同博弈具有实时及动作连续性、非完全信息博弈、庞大的搜索空间、多复杂任务和时间空间推理等特点,是当前人工智能领域极具挑战的难题之一。针对大规模多智能体强化学习训练时间长、难以收敛等问题,提出了一种基于Actor-Critic的多智能体强化学习协同博弈框架,利用元课程强化学习方法对小规模场景进行基础课程元模型提取,并且基于课程学习向大规模场景进行模型迁移,在元模型基础上继续进行训练,扩展元模型策略网络,最终得到较优协同博弈策略。在《星际争霸Ⅱ》平台上进行仿真实验,结果表明：基于元课程强化学习的多智能体协同博弈技术可有效地加速其训练过程,相较于传统训练方法可以在较短时间内达到较高的胜率,训练速度提升约40%,该方法可有效支撑多智能体协同博弈策略的高效生成,为低资源下的强化学习高效训练奠定理论基础。