基于多项式系数自回归模型的雷达性能参数最优组合预测

针对雷达故障预测与健康管理(PHM)技术工程实现中性能参数变化趋势预测准确度不高的问题,提出一种基于多项式系数自回归(PCAR)模型的性能参数预测方法。首先,介绍了PCAR模型的形式及其阶次、参数确定方法,该模型相对于传统的线性模型扩大了模型选择范围,有效降低了建模偏差;然后,为了进一步提高预测准确度,采用基于奇异值分解滤波算法(SVDFA),选取最优门限值,将性能参数监测序列拆分成与各个失效因素对应的子序列,最后分别采用不同阶次的PCAR模型来预测序列未来值。仿真实验结果表明,所提出的联合PCAR模型的组合预测方法同单一自回归滑动平均模型(ARMA)的预测结果相比,三个监测序列的预测准确度分别提高了79.7%、97.6%和82.8%。实验结果表明该预测方法可应用于雷达性能参数的预测,有利于提高雷达的工作可靠性。

关于雷达目标跟踪任务优先级设计

为了提升雷达的跟踪性能,针对雷达多目标跟踪时传统跟踪任务优先级设计方法无法保证对重要目标跟踪的问题,提出了一种基于BP神经网络的跟踪任务优先级设计方法。方法利用目标参数以及雷达性能参数直接对目标的跟踪任务优先级进行综合评判,并采用BP神经网络对参数和跟踪任务优先级之间进行函数关系逼近,实现对优先级的快速实时设计。最后将该方法与基于模糊逻辑的跟踪任务优先级设计方法进行对比仿真,仿真结果证明了上述方法的有效性和优越性。

面向深度学习的混合式协作学习模式研究与实践

针对混合式协作学习存在的机械化混合、低阶化协作等问题,以深度学习为视域,提出了一种基于深度学习的混合式协作学习模式.首先根据该学习模式的定义与界定,提出了其教学流程与框架;然后结合雷达维修工程与性能参数测量课程,提出了教学运用中的关注要点.教学实践表明,应用该模式,学员适应岗位任职的实践技能及团队协作能力明显提升,课程建设质效显著.

NON-UNIFORM LINEAR ARRAY CONFIGURATION FOR MIMO RADAR

Array configuration of multiple-input multiple-output （MIMO） radar with non-uniform linear array （NLA） is proposed. Unlike a standard phased-array radar where NLA is used to generate thinner beam patterns, in MIMO radar the property of NLA is exploited to get more distinct virtual array elements so as to improve pa- rameter identifiability, which means the maximum number of targets that can be uniquely identified by the radar. A class of NLA called minimum redundancy linear array （MRLA） is employed and a new method to construct large MRLAs is descrihed. The numerical results verify that compared to uniform linear array （ULA） MIMO radars, NLA MIMO radars can retain the same parameter identifiability with fewer physical antennas and achieve larger aperture length and lower Cramer-Rao bound with the same number of the physical antennas.