有源诱饵的双极化识别

针对双极化测量体制毫米波雷达,研究了有源干扰诱饵的极化识别方法。首先介绍了双极化技术原理,然后详细分析了典型雷达目标和各种极化有源诱饵的双极化回波特性,引入能够有效表征有源诱饵和雷达目标极化特性差异的同极化比和极化起伏等特征,并提出基于自适应恒虚警阈值的目标识别方法。最后通过组建双极化试验雷达系统采集并分析了建筑物和垂直极化、水平极化、左旋圆极化有源诱饵的回波数据,实验结果证明了有源诱饵的双极化识别方法的可行性和有效性。     

基于极化频率稳定度的目标识别

以宽带极化雷达体制为背景，定义了极化频率稳定度的概念。按极化状态在坡印卡勒极化球旧的动态分布信息，提取了目标的极化特征。对五种飞机目标进行了识别实验研究，取得了优良的目标分类或识别效果。     

激光粒度测量中的一种无模式综合反演算法

在目前常用的激光粒度仪无模式反演算方法的优点和缺点基础上,为了实现各种方法的稳定性与准确性的统一,本文中提出一种综合的无模式反演算法——二阶段迭法算法,综合采用了改进共轭梯度法和松弛迭代法各自的优点,在稳定性和准确性方面得到了一定程度的改进。经计算机模拟测量误差实验及国家标准颗粒实验的双重验证:该算法对单峰和多峰的分布具有较准确的分辨能力,且对噪声信号的抗干扰能力较强。     

回传射线矩阵法在周期结构振动分析中的应用

回传射线矩阵法(MRRM)是Pao和Howard等人在分析二维框架的动态响应时提出的。对于一维周期结构结构,其周期性结构排列的思想与回传射线矩阵法的单元划分思想较为吻合;采用回传射线矩阵法计算一维周期结构结构的传输特性曲线,经过单元的划分与节点的定义,建立对偶坐标系,在单元范围内求解对应的相位关系矩阵;节点处,结合外力源向量,根据力平衡关系以及位移协调关系得出单元关系矩阵;通过引入转换矩阵以及对总体关系矩阵的组装,建立总体结构的回传波矩阵。在此基础上求解线性方程组,可以得出结构的位移和内力。计算一维等截面周期结构对于轴向波的传输特性,并且与有限元分析法进行对比,验证该算法计算的正确性。     

太赫兹波纹圆波导模式变换器的优化设计

提出一种基于复功率守恒技术(CCPT)的广义散射矩阵(GSM)优化方法设计太赫兹波纹圆波导模式变换器。与传统的基于耦合波理论(CWT)的优化方法不同, 广义散射矩阵法对模式变换系统进行准确的全波分析,避免了耦合波方程组在计算反向波幅值时的数值计算困难,缩短了计算时间。广义散射矩阵法、耦合波法和HFSS仿真法结果吻合很好,前者耗费时间远小于后两者。该研究为太赫兹源的径向渐变波纹圆波导模式变换器研究提供了一种重要的理论分析手段。     

雷达目标互易性的最小变质修正法

针对雷达目标互易性修正问题,从极化测量误差模型出发,提出了基于最小变质准则的散射矩阵修正方法.经过推导,把一个四维带约束非线性最优化问题转化为一个二维无约束非线性最优化问题,并给出了求解过程.最后通过仿真实验比较了最小变质修正法和Cameron修正法的性能,验证了最小变质修正法的可行性和优越性.     

运动估计误差对同时极化测量影响和分析

同时全极化雷达是面向空中运动目标动态散射矩阵测量的一种全极化雷达，针对同时全极化雷达系统特点，对同时全极化雷达系统中匹配滤波器引入的误差进行了分析，并仿照分时全极化雷达系统模型的发射和接收失真矩阵模型，给出了匹配滤波器引入的失真矩阵及各矩阵元素的物理意义。分析了目标运动估计对目标动态散射矩阵测量的影响机理，提出了运动估计误差矩阵，利用该矩阵对同时全极化雷达测量影响进行了定量仿真分析，从而为同时全极化雷达系统运动估计方法的性能要求提供理论依据。     

涂层目标散射的双站物理光学公式及其散射矩阵

本文从物理光学基本假设与阻抗边界条件出发，建立了涂覆雷达吸波材料（ＲＡＭ）的任意三维光滑凸型导电物体散射的基本双站公式。公式是从Ｆｒｅｓｎｅｌ反射系统及阻抗边界条件推导的。本文同时得到了涂层物体表面入射场及其同几何结构导体表面入射场之间的关系与电、磁流比系数关系。文末给出了用基本双站公式计算电大物体双站散射矩阵与双站散射截面的计算方法与计算实例。     

火灾烟颗粒Stokes散射矩阵的实验研究

针对火灾烟颗粒的Stokes散射矩阵,利用电光调制器、1/4波片、偏振片及锁相放大器等设计与搭建了火灾烟颗粒光散射实验平台;并基于该平台测量了棉绳阴燃、正庚烷明火及檀香阴燃生成的3种烟颗粒的Stokes散射矩阵中16个元素的角度分布.实验结果表明,这些烟颗粒在光散射过程中都体现出明显的非球形效应,尤其是阴燃过程生成的灰烟颗粒.这说明基于球形模型的Lorenz-Mie散射理论对于分析烟颗粒光散射特征存在一定的局限性,而为了进一步挖掘火灾烟颗粒光散射过程中的光强与偏振等信息,需要建立合理的非球形模型,从而为光电感烟火灾探测技术的发展提供指导与支撑.