频率分集阵列的有源假目标鉴别方法

针对雷达对抗中转发式欺骗干扰的抑制问题,提出一种基于频率分集阵列的干扰鉴别方法。频率分集阵列中,目标回波在相邻阵元间产生的相位差与距离、角度呈线性关系,而假目标不满足该关系。对目标回波和多类假目标干扰在频率分集阵列接收端的相位差进行理论推导,详细分析匹配滤波、信号混合、移频等因素对相位差的影响,并给出了假目标鉴别的具体流程。理论分析及仿真结果表明,该方法能准确提取混合信号的相位差信息,有效对抗多种类型的转发式欺骗干扰,且鉴别性能对干信比、信噪比均不敏感,具有较强的环境适应性。     

一种鱼雷自导信号频率检测方法研究

靶场在进行智能鱼雷鉴定试验任务时,实时准确地检测出鱼雷自导信号的频率成分是靶标信号处理中的重要环节,谱线比值法便是靶标进行信号处理时检测信号频率的一种有效方法。本文介绍了谱线比值法的基本原理,针对目前鱼雷自导信号特点,对该方法提出了改进方案并进行了仿真。仿真结果表明,经改进的谱线比值法能够满足靶标检测复杂鱼雷自导信号体制下信号频率的使用要求。     

频率搅拌混响室内小屏蔽体的场均匀性检验

为了研究频率搅拌混响室内小屏蔽体的屏蔽效能测试方法,需要检验小屏蔽体内的场均匀性．通过对混响室的场均匀性测试方法的研究,提出基于矢量网络分析仪的测试方法,通过计算工作区域任意两点的功率比检验场均匀性,并用该方法检验工作区域内小屏蔽体的场均匀性．实验结果表明：混响室采用扫频信号实现频率搅拌时,放置于工作区域的小屏蔽体内部同样有较好的场均匀性．     

雷达目标识别的频域极小极大法

本文研究了雷达目标识别过程中关于目标的编码、分类特征的提取与选择等问题。提出了利用极小极大原则从频域中获取目标特征系数的方法,论述了它的数学框架以及寻求最佳解的算法步骤。利用实测的目标散射数据进行试验研究,结果表明了本文理论的正确性及其方法的有效性。     

基于时频和频谱分析的齿轮箱故障诊断

对频谱分析方法和时频分析方法的原理进行了分析,根据频谱分析与时频分析的特点以及齿轮箱故障诊断研究的需要,将两种方法有效地结合起来应用于齿轮箱的故障诊断中。结果表明,此方法能够有效地解决各自方法中的不足,得到比较理想的诊断结果。     

射频识别（RFID）技术在可视化系统中的应用

介绍了射频识别(RFID)系统的原理、组成及产生发展的过程。分析了RFID在可视化系统的应用前景以及在走向智能化物流中所起的关键作用,给出了军队在运资产可视化系统中RFID的实际应用实例     

调频连续波ISAR目标微多普勒特征分析

分析了调频连续波逆合成孔径雷达(FMCW-ISAR)的回波信号特性,讨论了脉冲持续时间内目标连续运动引起的多普勒频移对成像的影响,推导出导致一维距离像主瓣展宽和走动的相位因子,并进一步研究了该相位因子对基于调频连续波逆合成孔径雷达的目标微多普勒特征的影响,在此基础上讨论了调频连续波逆合成孔径雷达目标微多普勒特征与脉冲式逆合成孔径雷达目标微多普勒特征的主要区别.最后的仿真试验验证了理论分析的正确性.     

集集地震多维地震动频域非平稳特性分析

基于HHT方法和集集地震实际地震记录,利用可表征地震动频域非平稳特性的瞬时频率时程和瞬时幅值时程,对集集地震多维地震动的频域非平稳分布特性、场地条件及震中距对非平稳特性的影响进行了分析.分析结果表明,瞬时频率方法在地震动频域非平稳特性的定量描述上较穿零率方法更为精确,可较好地反映多维地震动的频域非平稳特性.     

5GHz雷达的干扰计算模型概述

文章从开发5 GHz模型的目的入手,简要介绍了5 GHz模型的结构组成,详细讨论了5 GHz模型的干扰计算流程,包括无线局域网和雷达的场景设置、技术参数设置、总干扰计算等,最后给出了5 GHz模型的一个运行范例,以期为其它干扰模型的开发提供借鉴参考。     

Multi-scale traffic vehicle detection based on faster R-CNN with NAS optimization and feature enrichment

It well known that vehicle detection is an important component of the field of object detection. However, the environment of vehicle detection is particularly sophisticated in practical processes. It is compara-tively difficult to detect vehicles of various scales in traffic scene images, because the vehicles partially obscured by green belts, roadblocks or other vehicles, as well as influence of some low illumination weather. In this paper, we present a model based on Faster R-CNN with NAS optimization and feature enrichment to realize the effective detection of multi-scale vehicle targets in traffic scenes. First, we proposed a Retinex-based image adaptive correction algorithm (RIAC) to enhance the traffic images in the dataset to reduce the influence of shadow and illumination, and improve the image quality. Second, in order to improve the feature expression of the backbone network, we conducted Neural Architecture Search (NAS) on the backbone network used for feature extraction of Faster R-CNN to generate the optimal cross-layer connection to extract multi-layer features more effectively. Third, we used the object Feature Enrichment that combines the multi-layer feature information and the context information of the last layer after cross-layer connection to enrich the information of vehicle targets, and improve the robustness of the model for challenging targets such as small scale and severe occlusion. In the imple-mentation of the model, K-means clustering algorithm was used to select the suitable anchor size for our dataset to improve the convergence speed of the model. Our model has been trained and tested on the UN-DETRAC dataset, and the obtained results indicate that our method has art-of-state detection performance.