利用频域和空域信息的单站无源定位跟踪算法

单站无源定位跟踪技术具有隐蔽性强、设备简单、系统相对独立等优点。定位收敛速度和稳定度是该技术实际应用的关键,通过研究利用频域和空域测量信息对运动辐射源的单站无源定位跟踪技术,分别提出了两种定位跟踪算法。为比较算法性能,推导了该定位跟踪问题的克拉美 罗下限,并利用计算机仿真给出了不同算法的跟踪误差几何分布(GDTE)。仿真结果证明了两种算法都具有很好的实用性。     

干扰条件下的双基地定位跟踪

针对电子干扰日趋恶化的形势，文中专门研究了干扰条件下双基地系统如何利用数据融合实现对运动目标的三维跟踪问题。根据电子干扰“无－弱－强”的变化规律。文中提出了一种最大限度地利用两站测量数据信息量的“分段跟踪技术”、不仅提高了无、弱干扰时的跟踪精度，而且为强干扰条件下应用ＳＯＰＬＡＴ技术保持对目标的跟踪创造了有利条件。文中从理论。实际两个角度出发，分别研究了两种测量模式接收站采用的跟踪算法，通过典型航迹的计算机仿真．对基于数据融合算法的分段跟踪技术在理想观测精度和实际情况下的跟踪精度做了分析比较。     

人工神经元网络的研究现状与展望

人工神经元网络是在现代神经科学研究成果的基础上提出的用来模拟人脑功能基本特征的一门研究学科,它不是人脑神经元网络的全面、真实描述,而是这种网络的某种抽象、模拟和简化。研究这一技术的目的在于探索人脑信息加工、存贮和搜索的机制,从而为人工智能与信息处理等学科的研究开辟一条新的技术途径。本文着重介绍了人工神经元网络的研究概况、典型模型和实际应用,展望了未来人工神经元网络的研究与发展。     

低信噪比图像中运动点目标的检测方法

图像中点目标的检测是目前比较活跃的研究领域,它在制导、天文观测、遥感等学科中有着重要的应用价值。在低信噪比条件下,要从图像中检测出运动的点目标存在着不少困难。本文首先分析了低信噪比情况下检测的难点,然后对目前七种有代表性的方法加以评介。     

多层前馈神经网络的快速学习算法及其仿真研究

本文主要研究多层前馈神经网络的快速学习问题。文中首先概述了多层前馈神经网络的B—P学习算法,并分析了这种算法的主要缺陷,在此基础上提出了若干克服和缓解这些缺陷的技术方法,由此构造了一种新的多层前馈神经网络的快速B—P学习算法即FB—P算法。通过对FB—P算法学习过程进行较详细的分析,本文还建立了一种改进的FB—P学习算法即MFB—P算法。最后本文以三层前馈神经网络识别五类地面目标图像为例,对文中提出的FB—P和MFB—P学习算法的性能(即学习速度与推广特性)进行了计算机仿真实验,同时与B—P学习算法的性能作比较,理论分析与仿真实验表明:MFB—P与FB—P学习算法比B—P学习算法具有更快的收敛速度,且MFB—P算法收敛最快;MFB—P算法比FB—P和B—P学习算法具有更好的推广特性,而后两者的推广特性则大致相同。     

运动辐射源的被动定位与跟踪技术

一、引 言 在电子对抗、反对抗的电子战中,主动式有源辐射的跟踪器面临着被侦察被干扰的严峻局面。利用目标本身的有源辐射(电磁波、红外辐射)、声波发射或目标对照射源的散射,采用多基地测到达方向(DOA)和到达     

双基地雷达空间目标二维定位分析

本文提出了双基地雷达单独使用发射/接收站(T/R站)的目标斜距和方位角信息或接收站(R站)的目标距离和及方位角信息分别对空中目标的二维定位算法,并给出了定位精度的分析方法.最后,通过计算机仿真讨论了算法的定位性能.     

基于神经网络的舰船雷达目标特征抽取与分类方法研究

本文着重研究应用神经网络来进行舰船雷达目标特征抽取与分类问题,提出了一种基于Mellin变换和多层前馈神经网络的特征抽取方法和一种基于Kohonen网络组的特征分类方法。采用实地录取的三类舰船雷达目标视频回波数据对本文提出的有关方法进行检验,结果表明本文提出的雷达目标特征抽取与分类的神经网络方法是切实可行的,其抽取的特征具有良好的稳定性,其分类的精度很高,明显优于传统的K-邻近分类器。     

利用相位变化率对运动辐射源无源定位的研究

无源被动定位技术中的一个重要问题，是如何使定位的约束条件尽可能地少，即尽可能地提高方法的可操作性。只利用测角信息的定位方法，在（单观测平台）对运动目标定位时常常需要观测平台做特殊的机动运动，这种约束使得只利用测角信息的定位方法适用性较差。如果将观测平台获得的相位变化率信息用于定位，则可以减少定位方法的约束条件，为无源被动定位技术的实际应用带来方便。提出一种利用相位变化率信息对运动目标进行定位的定位方法，并给出了可观测性分析。     

快速JPDA算法的递归和并行实现

联合概率数据关联算法（ＪｏｉｎｔＰｒｏｂａｂｉｌｉｓｔｉｃＤａｔａＡｓｏｃｉａｔｉｏｎ，ＪＰＤＡ）是密集杂波环境下一种良好的多目标数据关联跟踪算法。但是，当目标的数目增大时，关联概率计算时的计算量爆炸效应一直是一个难题。为降低计算量，有不少文献讨论了次优ＪＰＤＡ算法，但都是以降低关联跟踪性能为代价的。本文将从联合关联事件的构造出发，讨论关联假设事件的分层构造以达到降低计算量的目的。这里的层次可从０取值到某一Ｌ值，０层表示没有任何目标能够跟当前的观测数据关联。Ｌ层表示共有Ｌ个目标可以跟当前扫描得到的观测数据相关联。本文在关联事件的构造中，各层次的搜索具有递归性并可以独立进行，因而可以并行实现。文中还将本文的方法跟有关文献作了比较，并且给出相应的计算机仿真实验及其结果