带有非相参积累的序列统计恒虚警检测器

雷达检测中,为了改善检测性能经常采用非相参积累的方法以获取高信杂比的目标回波,本文讨论了平方律检波后带有非相参积累的序列统计恒虚警检测器,分析了Swerling起伏目标情况下的检测性能,并介绍了该检测器在实际工作中的一种应用。     

C++运算符重载教学和编程中易被忽视的问题

对运算符重载教学和编程中常见的、易被忽视的问题进行了深入探讨和分析,并给出了有效的解决方法.对运算符重载时如何考虑用户使用习惯、使用的方便性和继承性也作了阐述.     

气象杂波环境下二维次序统计量恒虚警检测器

利用实际的气象杂波数据 ,研究了其CFAR处理问题。基于FFT处理技术 ,比较了CAGO -CFAR检测器、CLUTTERMAPPING -CFAR检测器和MX -OS -CFAR检测器的抑制气象杂波性能。针对存在的问题 ,提出了将通常在一维距离向进行的CFAR处理改为在R-Fd(距离 -多普勒频率 )二维平面进行 ,并利用次序统计量估计杂波幅度 ,形成新的稳健的 2D -OS -CFAR检测器。对实际杂波数据和仿真目标数据的处理结果表明所提出的 2D -OS -CFAR检测器具有良好的性能     

采用蒙特卡罗法分析离散坐标法的假散射

采用蒙特卡罗法获得了离散坐标方程的不含任何假散射的高精度解，其基本思路是：当采用一个离散坐标格式来计算一个漫射表面的热辐射时，就意味着用有限个离散方向去“代表”2π立体空间上的无穷多个方向，因此，不妨假定存在着这样一个虚拟表现：该表面的确只沿着该离散坐标格式的离散方向上发射热辐射，并且在每个方向上的热流也完全遵循离散坐标方程，然后将蒙特卡罗法应用于此虚拟表现，由此所获得解即为此有面的高精度解，不言而喻它也等效于离散坐标方程的高精度解，在此基础上，分析了离散坐标法的假散射对计算结果的影响。     

论何心隐的政治思想

自王艮开创泰州学派以来,其学术命脉还是内圣外王之道,何心隐作为该学派的三传弟子,在继承前人的基础上,把泰州学派的思想推向了较高的阶段。他的政治思想就是继孔孟之道,建立以师友为基础的人际关系,在社会实行完全平等的理想主义,这些反映了以何心隐为代表的明代的平民思想家要求改变社会现状,实现大同社会的理想追求。     

论刘庆邦的中篇小说《到城里去》

刘庆邦是一位获得过多种文学奖项的豫籍作家，以获第2届鲁迅文学奖的短篇小说《鞋》的成就最高。然而，中篇小说《到城里去》却存在着细节虚假的缺陷，叙述者还曾多次站出来替故事人物解析心迹。究其原因，这是时下文艺界普遍存在的心态浮躁、急功近利等不良风气的一种下意识地外露，颇值得人们深思．     

篮球运动中的假动作

从技术的角度,对篮球运动中假动作进行分析,提出篮球假动作的运用方法.     

不确定性在推理过程中传播的行为特征

在布尔算子模糊逻辑中，证明了前提的不确定性在推理过程向结论传播时，恒真水平呈递增趋势，而恒假水平保持不变的特性，从而在定性的意义上说明了随着推理过程的深入，结论的不确定性将会越来越分明，但其可靠性不可能有根本性的提高。     

Distribution-based CFAR detectors in SAR images

1. INTRODUCTION Many researches have been made on automatic target recognition (ATR) from SAR images in the past few years. Lincoln Laboratory has developed a complete, end-to-end ATR system[1-4]. The whole system inclu- des three stages: detection (or prescreening), discri- mination and classification. In the detection stage, a two-parameter CFAR (constant false alarm rate) detector is used as a prescreener to select candidate targets in an SAR image on the basis of local brightne…     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。