基于轮廓特征的图象配准研究

图象配准的一个重要问题是多传器获取的图象配准,这些图象具有不同的灰度特征,用经典技术加区域相关等不能解决,基于轮廓在大多数情况下表达了区域的边缘信息,本文提出了基于轮廓特征的匹配方法,该方法采用区域边缘和其它强边界特征作为匹配对象,算法中参数估计理论,先用闭轮廓的特征在,现用开轮廓的突出部分进行校正。     

大气层外弹道目标红外辐射特性研究

针对来袭弹道导弹大气层外飞行过程中的目标识别问题,提出了对弹道目标的红外辐射探测仿真方法。红外辐射特性是大气层外弹道式目标的基本特性之一,也是开展目标识别的重要依据。对于弹道式目标的红外辐射特性识别的需求,本文开展了天基红外传感器对大气层外弹道式目标探测红外辐射特性的建模与仿真研究工作。首先建立了天基红外传感器对大气层外弹道式目标探测的红外辐射计算模型,接着基于STK/EOIR开展了典型目标的红外辐射特性仿真,最后分析了弹头目标和诱饵的红外辐射特性。     

基于响应时间约束的敏捷轨道设计方法

结合快响卫星在实际任务中的应用背景,研究了响应时间约束中的敏捷轨道设计方法。首先,根据快速响应卫星的发射点和目标点的位置关系,结合快速响应时间约束,得出了响应时间与轨道高度的不等式关系;其次,针对常见的圆形轨道,根据球面三角形公式,构建了敏捷轨道轨道周期、轨道倾角、升交点赤经的解析设计方法;最后,结合STK软件的典型任务仿真,分别设计了当圈响应与第3圈响应的两类敏捷轨道,使卫星分别在入轨10 min与200 min时星下点通过目标区域,验证了方法的可行性、易操作性和实用性。     

性能修复型星座快速重构方法研究

针对连续多颗卫星失效组合,以最大不可视时间为评价指标,提出了调整相邻卫星、均匀相位和均匀星座3种星座重构策略;综合考虑燃料消耗和重构时间,提出了以总重构时间最小为优化目标的卫星星座快速重构构型优化设计方法;仿真验证了星座快速重构方法能够迅速有效地修复受损星座的覆盖性能。     

基于目标运动特性的多功能混合星座设计方法

针对地面探测目标的运动特性,结合卫星有效载荷的功能特点,提出了一种由携带不同有效载荷、功能相似的卫星组合而成的卫星星座的设计方法,并以对太平洋海域运动目标的探测为例,设计了一个多功能混合探测卫星星座。通过仿真分析可知,该混合星座对海上运动目标具有较好的探测识别性能。     

基于“标准-3”动能拦截弹的顺轨拦截方法研究

提出了针对大气层外机动目标的顺轨拦截方法,能够大幅度降低目标与拦截器之间的相对速度,缓和拦截器的过载需求,避免脱靶现象。采用“标准-3”拦截弹的公开参数建立数学模型,对大气层外机动弹头的顺轨拦截过程进行了仿真研究,仿真综合考虑了助推器和拦截器的质量变化、末制导初始对准误差、导引头的测量误差和盲区、动力学系统的响应延迟和过载约束。结果表明,在处于速度劣势的情况下,拦截器能够对机动目标进行精准碰撞,验证了顺轨拦截方法的工程实践意义。     

空间圆编队构型调整能量最省的双冲量法研究

在Hill方程的基础上研究了空间圆编队构型调整能量最省的双冲量法，得出了该方法所需要的能量和过渡时间、绕飞卫星始末相位差之间的关系，由固定绕飞卫星始末位置相位差求解过渡时间引出全局寻优的方法，给出了空间圆编队构型调整最优能量消耗的仿真结果，给出了空间圆编队构型调整的一般性规律。     

支撑大规模复杂体系仿真计算的技术架构研究

首先分析了大规模复杂体系仿真计算的发展需求;其次分析了云计算领域的容器云技术的核心功能,引入容器云相关成熟工具和解决方案,结合仿真计算自身特点提出了大规模复杂体系仿真计算云技术架构,并对技术架构的功能组成进行了详细阐述;最后对其中的关键技术进行了研究,并给出设计思路,解决在大规模复杂体系仿真计算过程中遇到的资源多租...     

基于深度学习的星载SAR工作模式鉴别

针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型.该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别.在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型.基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.     

基于trace特征的ISAR像空间目标识别

论文提出了一种基于trace特征的逆合成孔径雷达（Inverse Synthetic Aperture Radar,ISAR）像空间目标识别算法.首先将ISAR像进行分割与归一化处理,利用Canny边缘检测、Hough变换方法提取空间目标ISAR像最长轴,确保所提特征具有旋转不变性;然后仅对最长轴所在局部区域进行Trace变换生成空间目标ISAR像的局部trace矩阵,使得所提trace特征满足低维要求;再将trace矩阵每一列向量进行移位对准操作以消除ISAR像平移对识别带来的影响并将其作为空间目标识别的特征向量;最后在特征空间内以最小欧氏距离作为不相似度,采用集成分类器AdaBoost.M2-KNN完成了5类空间目标的分类识别.通过5类空间目标的ISAR数据对该方法进行目标识别验证,并与现有的几种ISAR像特征提取方法进行了对比.结果表明论文所提算法可行有效,可以明显地提高识别率.