基于深度学习的激光干扰效果评价方法

针对激光干扰效果评估受主观经验较大、难以定量评估的问题,提出了一种基于深度学习的激光干扰效果评估方法.首先,对YOLOV5算法进行了整体介绍,其次制作了来自不同角度、不同距离的3020张激光干扰图像;然后,对标注的数据集进行训练,得到了激光干扰效果评估模型;最后,分别在YOLOV5x、YOLOV51、YOLOV5m、YOLOV5s网络模型下训练300次,实验验证了模型的正确性.实验结果表明:利用训练好的模型实现了对激光干扰图像的效果评估,该模型不仅可以自动标注激光干扰区域和进行干扰效果等级评估,同时还融入了传统策略,可以通过计算标注区域面积占整幅图像面积的大小作为辅助决策,实现自动标注激光干扰区域面积所占百分比,识别准确度在80％以上,对激光干扰效果评估具有重要意义.     

一种鲁棒的Kalman滤波方法

在目标跟踪测量中,由于各种噪声的影响,Kalman滤波算法对野值数据的估计经常出现较大误差,直接影响了定位结果.修正增益的滤波方法在野值相对较小的情况下误差不能有效的识别.为此,提出残差权重自适应抗野值的Kalman滤波方法,该方法能明显的降低野值对定位结果的影响,对实测数据的仿真结果表明了该方法的有效性,满足试验要求.     

基于SDN的天地一体化网络控制器部署方法综述

软件定义网络(Software Define Network,SDN)推动了传统网络的发展,将SDN引入天地一体化网络能够极大程度地调动各层级网络的资源,实现天地一体化网络的智能管控;首先,介绍了天地一体化网络和软件定义网络,论述了基于SDN的天地一体化网络架构的研究现状;随后,介绍了SDN控制器的性能指标并对比了当前的SDN多控制器部署方法,综述了基于SDN的天地一体化信息网络的控制器部署策略;最后,对未来基于SDN的天地一体化网络控制器部署方法进行了展望和归纳总结。     

基于动态逆的动力翼伞自主飞行控制方法

针对动力翼伞精确数学模型难以获得,系统输入输出关系耦合复杂等特点,建立动力翼伞8自由度动力学模型,设计由静态神经网络和积分器组成的动态神经网络,利用神经网络的逼近能力和动态逆控制方法相结合,提出了基于神经网络动态逆方法的动力翼伞控制方案,并进行了飞行仿真验证,结果表明完全满足控制要求,具有较好的抗干扰能和鲁棒性能,对于...     

动力翼伞非线性动力学建模与仿真

关于空运翼伞控制问题建立合理的动力学模型,是实现动力翼伞飞行控制的前提条件之一.传统方法翼伞建模多数是针对不带动力情况下的翼伞建模,不能适应动力翼伞的飞行控制.假设翼伞承载物和软翼之间具有俯仰和偏航2个自由度,通过对承载物和软翼所受作用力和作用力矩进行分析,分别建立软翼和承载物体坐标系下的作用力和力矩的平衡方程,通过体坐标系转换和消除翼伞内部状态量,得到有利于实现动力翼伞控制的8自由度非线性动力学状态方程.仿真结果表明这种动力学模型正确有效,更有助于实现动力翼伞的飞行控制.     

多变量非线性飞行控制系统的神经网络动态逆控制方法

针对多变量非线性飞行控制系统,从理论上对其逆系统的解析形式进行了详细推导,根据神经网络逼近逆系统的原理分析,提出了一种由静态神经网络和积分器组成的动态神经网络,构造了多变量非线性飞行控制系统的神经网络动态逆控制系统,并利用动力伞飞行控制系统进行了仿真验证,结果表明这种控制方法完全满足控制要求,具有较好的抗干扰能力和鲁棒性能。     

军用电站虚拟电能质量检测仪的设计与实现

以军用电站为核心的军用电力系统具有多频率、频率波动大,电能质量要求高,且多为野外作业等特点,所以军用电站电能检测仪必须满足精度高、工作稳定、便于携带等要求。介绍了基于LabWindows/CVI的军用电站虚拟电能质量检测仪的工作原理和设计要点,采用单片机为核心的数据采样电路和高精度的双时窗FFT谱分析算法,实现检测仪精度高、工作稳定、抗干扰能力强的特点。实践证明,这种电能质量检测仪完全能够满足军用电站电能测试要求。     

基于新型动态神经元网络的逆系统方法

针对提高逆系统建模中神经网络的逼近效果和动态性能问题,根据PID神经元网络工作原理,提出一种具有动态激励函数的新型PID神经元模型—输出反馈型PID神经元(OFPID),输出激励采用连续的Sigmoidal函数,使神经元具有等效的IIR突触,采用梯度下降法实现OFPID神经元网络的权值调整,将其应用于非线性系统的神经网络逆控制系统,从而提高非线性系统的解耦效果和控制性能。仿真实验证明,提出的新型神经元网络是一种良好的非线性系统建模和控制工具。     

基于卷积神经网络的航母舰桥识别

针对反舰导弹攻击航母时雷达关机的问题，提出转变制导方式为可见光制导，并采用YOLOv5神经网络对舰桥自动识别的技术方案。由于航母数据集较少，采用Mosaic数据增强的方法，不仅增加了数据集数量，而且提高了网络的鲁棒性。将特征明显、目标较大的舰桥作为主要识别对象。在对数据集进行建立之后，完成了对其的测试以及训练，从而获得了以下研究结论：在不同情况、不同角度的航母识别中，检测准确率可达到90%以上，对航母准确识别跟踪任务具有重要意义。