基于差分模型的近场无源定位算法

对于均匀线性天线阵列近场目标定位研究是探测领域重要难点之一。本文根据前期近场基于差分迭代传播计算模型研究基础,提出一种新型高精度近场无源定位算法,针对均匀线性阵列近场目标空间几何结构,突破传统菲涅尔近似近场传播模型的束缚,建立全新高精度目标关系模型并形成定位解析表达式,通过阵列处理估计改进到达时差（TOA）定位观测量,利用新算法快速准确地获取近场多个独立同分布目标的定位信息。仿真实验结果表明：新算法机理不同于传统近场估计分析,特别是定位解析式的引入使得位置精度提升的同时计算量大为降低,更好地适应了近场非线性关系结构,性能分析显示TOA误差对定位估计精度的影响较为有限,在典型信噪比条件下新算法的距离和角度估计精度优于几种常规处理算法,未来具有深入研究的价值。     

Trimble R8 GNSS在石油物探测量中的应用与探讨

文章重点介绍了Trimble R8 GNSS在石油物探测量中的应用情况,并对其进行了深入的探讨和分析,肯定了Trimble R8 GNSS的先进性,同时也对其不足作了说明,以期共同探讨和改进。     

卫星遥感照片在石油物探测量中的应用

本文在介绍卫星遥感照片的基础上,通过卫星遥感照片在物探工区踏勘和测线清线工作中的使用情况来阐述卫星遥感照片在石油物探测量中的应用,进而给出卫星遥感照片不仅可指导石油物探测量施工,而且还可用于物探设计以及物探后续施工。     

基于多目标优化的AP选取新算法

讨论基于RSS的Wi-Fi室内定位中基于多目标优化的AP选取问题。综合考虑信息增益(JIG)和互信息(MI)的多目标优化函数的推导过程,同时利用基因算法(GA)寻求多目标函数的最优解。两种差异明显的环境下的实验结果表明:复杂环境中信息增益和互信息最佳权重分别为0.3和0.7,稳定环境中互信息的最佳权重分别为0.7和0.3,同时位置估计结果分析表明:不同AP个数下的位置误差的方差和平均值之间存在明显的线性相关性。     

Trimble Geo XH在石油物探地理信息更新中的应用与探讨

文章针对长庆油田地震勘探生产中地理信息的应用现状及对地理信息的实际需求,通过大量的测试试验和数据分析,从技术和应用等方面探讨了Trimble Geo XH在探区地理信息更新方面的可行性、可靠性和技术优势。     

基于双站幅度调制的虚假运动场景对SAR-GMTI的欺骗方法

为了产生方位向初始位置和幅度可控的虚假运动场景,该文提出针对合成孔径雷达动目标显示(SAR-GMTI)的双干扰机幅度调制的虚假场景欺骗算法。双干扰机分别通过移频和延迟在指定位置产生相同的虚假运动场景。设置幅度比控制两幅虚假场景叠加后产生的各点的相位,达到初始方位向位置可控的目的。理论分析表明算法能够在指定位置产生初始方位向位置和幅度可控的虚假运动场景。然后分析了干扰效果和影响因素,建立了干扰算法的应用模型,给出了虚假运动场景的成像位置、方位向初始位置和幅度补偿系数的设置方法,并讨论了双站沿方位向间距对算法的影响。最后,仿真实验验证了算法的有效性。     

对SAR的脉间周期式移频调制干扰

间歇采样转发干扰形成的假目标排布较为规律易被识别。为克服这一缺点,针对合成孔径雷达(SAR)提出一种脉间周期式移频调制干扰算法。将间歇采样算法和多普勒移频干扰算法相结合,采用分段调制产生密集假目标。首先理论分析证明,干扰算法能够在超前于干扰机的指定位置产生具有压制效果的2维密集假目标,主假目标在方位向上偏离干扰机所在位置。然后分析了干扰效果及影响因素,建立了干扰参数获取模型并给出了假目标能量补偿系数。最后通过仿真实验初步验证了干扰方法的有效性。     

天线阵列近场FDA技术研究

频率分集阵（FDA）是近年来提出的一种阵列信号处理新技术,它能够形成具有距离?角度相关性特征的辐射合成波束,克服传统相控阵天线不能有效控制波束的距离?角度指向的难题,此外还有很多独特的应用优势,成为未来先进雷达发展的重要技术方向之一。本文在传统频率分集阵列研究的基础上,提出了适应天线阵列近场条件的FDA新数学算法,针对阵列近场条件,首先利用经典近场的菲涅尔近似以及新近提出基于差分迭代近似两种方法推导,得到近场FDA波束的不同表达新算法结构,其次针对新提出算法的数学关系式中距离、角度等关键参数特征分析,针对其中距离?角度耦合关系等深入讨论,再次开展数值计算和算法仿真对比,实验结果表明：新提出的算法解决了FDA近场条件使用的模型条件限制,算法较好地解释了近场时距离?角度参数非线性耦合或独立关系,可以较好地支撑未来天线阵列近场,FDA各种应用的深入分析与研究需要。     

基于一维卷积循环神经网络的深度强化学习算法

针对现有深度强化学习算法在状态空间维度大的环境中难以收敛的问题,提出了在时间维度上提取特征的基于一维卷积循环网络的强化学习算法;首先在深度Q网络(DQN,deep Q network)的基础上构建一个深度强化学习系统;然后在深度循环Q网络(DRQN,deep recurrent Q network)的神经网络结构基础上加入了一层一维卷积层,用于在长短时记忆(LSTM,long short-term memory)层之前提取时间维度上的特征;最后在与时序相关的环境下对该新型强化学习算法进行训练和测试;实验结果表明这一改动可以提高智能体的决策水平,并使得深度强化学习算法在非图像输入的时序相关环境中有更好的表现。