微波系统前端放大器的计算机辅助设计与实现

本文介绍了微波放大器机辅设计的各种方法,介绍了考虑各种因素后所编制的LCAD软件及其特点。用LCAD软件设计制作了两个放大器,一个已成功地用于某雷达中,其指标达到国内同类产品领先水平,另一个也有较高的性能指标,而且两者的理论值与实测数据十分吻合。这在微波放大器的设计中是很难达到的,说明了LCAD软件是十分成功的。     

发射波束域MIMO-STAP雷达发射接收联合设计方法

研究了信号相关杂波背景下机载多输入多输出(multiple-input multiple-output,MIMO)雷达发射波束形成和接收滤波器的联合设计问题,建立了机载MIMO雷达发射波束域空时自适应处理(space-time adaptive processing, STAP)信号模型。为了提升杂波环境下目标的检测性能,通过最大化输出信干噪比构建了发射波束形成和接收滤波器的联合设计问题;然后,设计了一种新的基于优化最小化(majorization-minimization,MM)框架的迭代优化算法来解决联合设计问题。该算法通过合理寻找目标函数的下界可以有效提升算法的收敛速度并降低算法的运行时间。此外,与传统的相控阵雷达和MIMO雷达相比,优化后的发射波束形成和接收滤波器可以显著提升输出信干噪比,仿真实验验证了所提方法的有效性。     

卫星隐身技术研究进展及发展趋势

卫星隐身技术在空间攻防系统中占有独特的地位,与在地面装甲车辆、舰船、飞机上应用的隐身技术有一定的相似之处,但由于卫星研制条件以及所处的太空环境不同,卫星隐身技术的研究及应用更具有挑战性.基于卫星工程应用,归纳了卫星隐身需求、应用环境等,重点介绍了国际前沿隐身技术,包括雷达隐身手段、红外及可见光隐身手段,同时探讨卫星隐身...     

基于BP神经网络的雷达网抗干扰性能综合评估

在分析目前综合评估雷达网抗干扰性能时遇到困难后,探讨了利用BP人工神经网络良好的非线性函数逼近特性来解决这一问题的可行性,并分析了在用这种方法建模评估的过程中需要注意的各种问题;其中侧重对在具体构造评估模型时输入输出评估指标集的确定方法和模型的训练验证方法进行了研究,并进一步分析了建立的模型可能的用途。最后指出这种思路也可以推广到对类似的复杂信息系统的综合评估中。     

舰载直升机反潜搜索最佳方案优选模型及应用

目前,舰载直升机已成为现代水面舰艇搜潜反潜的重要力量,为了提高作战效率,对舰载直升机在反潜搜索中的战斗使用进行了研究,建立了搜索力的最优配置模型,解决了在已知目标分布的条件下舰载直升机反潜搜索中选择初始探测点、确定搜索路径、确定搜索次数以及搜索效率评估等问题,并在几种常见的目标分布下对最佳搜索方案作了实例演示,为舰载直升机的反潜战斗使用提供了依据。     

空中非合作目标旋转部件位置估计方法

针对当前空中非合作目标中旋转部件位置估计方法稳健性不足的问题,在分析旋转部件在高分辨距离像和逆合成孔径雷达像中分布特性的基础上,提出应用逆合成孔径雷达像的方位向距离单元熵和局部径向距离单元熵的旋转部件位置估计方法。该方法能够提升空中非合作目标逆合成孔径雷达成像过程中旋转部件信号分离的准确度。仿真数据和实测数据处理结果证明了所提方法的有效性,通过在实测数据中叠加额外噪声,进一步检验了所提方法对噪声的稳健性。     

测速雷达使用新方法研究

通过舰炮武器系统测速雷达作战使用分析,提出初速预测新模型、修正量新模型等测速雷达使用新方法。分别对使用新方法前后效能进行比较仿真,仿真证明,本方法极大地提高了舰炮武器系统对海作战时首群命中效能。所提出的方法对于提高舰炮武器作战效能具有理论和实际意义。     

舰载无人机与舰载预警直升机协同对海搜索?

针对舰载预警直升机对海搜索存在的问题,以提高舰载预警直升机对海搜索的隐蔽性与安全性为目标,结合舰载无人机被动探测区的特点,提出了舰载预警直升机机载雷达断续主动搜索与舰载无人机“Z”字形航线被动搜索相结合的协同对海搜索方式与策略,并给出了舰载预警直升机断续搜索周期计算模型及舰载无人机“Z”字形航线要素计算模型,通过仿真计算,验证了该协同方式的有效性,为舰载无人机与舰载预警直升机协同对海搜索提供了方法和依据。     

相控阵雷达维修方案优选方法研究

针对相控阵雷达维修方案的选择问题,确定了维修方案的决策属性,并提出一种基于改进TOPSIS法的相控阵雷达维修方案优选方法。该方法通过引入Vague集来处理维修方案选择中存在的模糊信息,并采用博弈论综合赋权法来确定决策属性的综合权重。通过计算各备选方案与正、负理想方案的灰色关联度,得到了维修方案的灰色关联相对贴近度,进而实现对维修方案的排序和选择。最后,通过算例应用与分析,对提出的方法进行了验证。     

海量电磁数据中雷达信号的高效分选方法

针对海量电磁数据中雷达信号难以进行快速准确分选的问题,提出一种新的聚类分选方法,即改进k-means算法的Map Reduce并行化实现方法。通过引入初始聚类中心个数k1、最大聚类中心个数kmax和距离门限rt3个参数,克服了k-means算法需要事先确定k值和易受孤立点影响的局限;基于Hadoop平台实现了对改进k-means算法的Map Reduce并行化,克服了k-means算法串行实现时间复杂度高的局限。最后,实验表明改进k-means算法取得了更高的分选准确率,Map Reduce并行化后具有良好的加速比和扩展性,能够很好地对海量电磁数据中雷达信号进行高效分选。