当前位置:主页 > 科技论文 > 电子信息论文 >

基于频谱传播差异的目标距离估计

发布时间:2020-04-07 21:25
【摘要】:随着现代军事技术的发展,对地面目标和空中目标距离的精确测量显得尤为重要,高精度的测距系统能够提高防空系统对来犯目标的攻击性能,极大地增强我国的国防实力。武器系统逐渐向着高速化、智能化和隐身化等方向发展,传统雷达等电子探测设备已经不能满足现代战争的要求。随着光电技术的发展,针对大气传输特性的相关研究也愈发的深入,基于频谱传播差异的被动红外系统因其隐蔽性能好、辨伪能力和抗干扰能力强等特性,在探测与预警中占有愈发重要的地位。本文从测量空中目标距离出发,以红外光电探测原理为技术手段,以设计微弱信号检测放大电路为主要目标,设计一套中波窗口双波段被动测距系统。通过仿真及实测结果可以看出,该系统能够有效精确地放大微弱光电信号,并准确地预测目标距离。本论文重点研究中波窗口双波段被动测距系统,具体内容包括:1.针对红外光电系统的组成进行研究,对热型和光子型两类红外探测器的性能进行比较,选择合适的红外探测器,通过探测器的响应率获得红外探测器的微弱电流输出值,为后续的硬件电路设计提供参考。针对本文要检测的微弱电流信号,设计了基于InAsSb光伏型红外探测器的微弱信号调理电路,包括电源转换电路、光电转换前置放大电路、二级放大电路、AD转换电路、DSP主控电路和数据传输电路等;对电路中红外探测器和前置放大器的噪声源进行分析,结合理论采用标准电路搭建光电二极管的等效噪声模型和前置放大器的E_n-I_n模型,根据“叠加原理”,估算光电检测电路的整体噪声。2.分析目标距离的相关光谱特征。对四种气象条件下目标在中波窗口和长波窗口的原始光谱与差分光谱进行相关性分析,结合不同窗口辐射通量与距离的相关系数和iPLS回归均方根误差两种性能指标,找到建模精度更高的光谱区间,计算300~900K的黑体在不同窗口的辐射通量,结合维恩位移定律,最终确定采用中波双窄带方案。为了克服前人提出的非线性测距模型在迭代过程中受初值的影响大且存在多个解以及模型泛化能力差等缺点,本文提出一种改进的Elman神经网络被动测距算法,通过与传统Elman神经网络算法、OIF-Elman神经网络算法、OHF-Elman神经网络算法和非线性测距模型进行对比仿真,结果表明,本文提出的测距算法收敛速度更快,测距精度更高。3.对硬件电路测试进行描述,在Multisim14.0平台上完成电路仿真,结果显示50Hz工频陷波电路能够有效地滤除50Hz干扰信号,光电转换电路和二级放大电路能够达到微弱信号放大的目的;对红外探测器进行黑体标定校准,记录其温度-电压值,并对温度-电压进行最小二乘拟合,保证实验的准确度;在CCS8.0开发环境下编写基于TMS320F28335芯片的AD采样、中位值平均滤波、数据传输和改进Elman神经网络测距算法等程序,将编译好的工程文件烧写到DSP预测距离,通过串口RS232将距离预测值发送到PC端,结果显示本文算法对1~8km目标的距离预测更精确,且测距误差控制在15%以内。
【图文】:

红外探测器,实物,探测器,基本性能参数


西安电子科技大学硕士学位论文外探测器的选择探测器时应满足:探测器与目标辐射源及光学系统在灵敏度、响应速度快、良好的线性度、低噪声和较小本系统使用的是日本滨松公司生产的 P13243-011C器,具有 DIP 封装和 SOP 封装,为了减小探测电路物如图 2.5 所示,基本性能参数如表 2.2 所示。

关系曲线,转换率,探测器,波长


波长为1.55 m时,其感光灵敏度曲线如图 2.7 所示;工作温度动态范围广,能够适应不同的环境温度,在军用和民用等方面都有广泛的应用。图2.6 探测器的波长与转换率关系曲线 图2.7 探测器的光电转换曲线2.3 红外探测器的能量分析通过上一节选择的灵敏度高、响应速度快的 InAsSb 红外探测器,根据红外探测器的能量转换特性,对红外探测器获得的能量进行计算,得到红外探测器输出的微弱电流,为后续的硬件电路设计提供参考。2.3.1 红外探测器的入射辐射计算根据红外探测器的基本参数,计算得到红外探测器的入射辐射值。根据基尔霍夫定律(2-2)和普朗克公式(2-3),温度为 T 的目标产生的光谱辐射通量密度为:215/( ) 1( , )1c kTcM Te (2-8)其中,, ( )表示物体的发射率,它的范围在[0,1]之间
【学位授予单位】:西安电子科技大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TN215

【相似文献】

相关期刊论文 前10条

1 卓鹏程;朱颖;邬雯暄;舒俊清;夏唐斌;;Real-Time Fault Diagnosis for Gas Turbine Blade Based on Output-Hidden Feedback Elman Neural Network[J];Journal of Shanghai Jiaotong University(Science);2018年S1期

2 张彦清;刘大铭;白冰;李春树;;基于外反馈Elman的离心式压缩机透平转速预测[J];微型机与应用;2016年02期

3 徐晓龙;温阳;张商州;;Elman神经网络仿真及应用[J];智能机器人;2016年04期

4 汤井田;曹扬;肖嘉莹;郭曲练;;Predication of plasma concentration of remifentanil based on Elman neural network[J];Journal of Central South University;2013年11期

5 朱春颖;沈海军;顾豪;殷忠敏;李燕;;Elman网络模型参考自适应控制在镍氢电池智能充电中的应用[J];工业仪表与自动化装置;2013年04期

6 吴微;徐东坡;李正学;;Convergence of gradient method for Elman networks[J];Applied Mathematics and Mechanics(English Edition);2008年09期

7 齐仲纪;刘漫丹;;基于文化算法的新型Elman网络的过程建模方法[J];华东理工大学学报(自然科学版);2008年05期

8 谢庆国 ,万淑芸 ,易燕春 ,赵金 ,沈轶;Speed-Sensorless Control Using Elman Neural Network[J];Journal of Systems Engineering and Electronics;2001年04期

9 张惠玲;刘晓晓;杨林玉;;基于小波-Elman神经网络的信号交叉口首车到达时间预测[J];科学技术与工程;2019年28期

10 王雪丽;;一种基于Elman改进的网络入侵检测算法[J];湖南文理学院学报(自然科学版);2017年04期

相关会议论文 前10条

1 Yanqi Zheng;Zoujing Yao;Heng Zhou;Chunjie Yang;Haifeng Zhang;Mingliang Li;Lei Fan;;Power Generation Forecast of Top Gas Recovery Turbine Unit Based on Elman Model[A];第37届中国控制会议论文集(E)[C];2018年

2 Bo Meng;;Improved Elman Neural Network and Its Application[A];第30届中国控制与决策会议论文集(1)[C];2018年

3 陈力;吕亭亭;王凯;;基于Elman网络的煤与瓦斯突出预测研究[A];煤矿机电一体化新技术创新与发展2012学术年会论文集[C];2012年

4 ;Identification of dynamic nonlinear systems using recurrent neural networks[A];第十九届中国控制会议论文集(一)[C];2000年

5 ;Study of PID Elman Neural Network and Its Application in Dynamical Systems Identification[A];第二十四届中国控制会议论文集(下册)[C];2005年

6 卢志刚;冀尔康;李伟;吴士昌;;基于混合Elman网络的非线性自适应逆控制[A];第七届青年学术会议论文集[C];2005年

7 苏刚;王玲玲;徐永生;;基于改进Elman网络的燃气负荷预测[A];第十七届全国过路控制会议论文集[C];2006年

8 李界家;张双喜;郭宏伟;;基于改进型Elman网络的阳极效应故障趋势预测研究[A];冶金企业自动化、信息化与创新——全国冶金自动化信息网建网30周年论文集[C];2007年

9 张琦;邵立福;;基于Elman神经网络的液压泵故障诊断模型研究[A];机床与液压学术研讨会论文集[C];2004年

10 张琦;邵立福;;基于Elman神经网络的液压泵故障诊断模型研究[A];第三届全国流体传动及控制工程学术会议论文集(第二卷)[C];2004年

相关重要报纸文章 前1条

1 本报记者 小乐;摆脱媒体局限 实地考察中国[N];中国社会科学报;2010年

相关博士学位论文 前10条

1 时小虎;Elman神经网络与进化算法的若干理论研究及应用[D];吉林大学;2006年

2 王丽敏;计算智能改进方法及其在金融与环境领域中的应用[D];吉林大学;2007年

3 杨杰;多工序制造质量智能预测建模机理研究及应用[D];华南理工大学;2011年

4 郭晋;神经网络模型在预测急性心肌梗死中的应用及模型预测能力的比较研究[D];北京协和医学院;2013年

5 李鹏华;量子计算在动态递归与自组织神经网络中的机理及应用研究[D];重庆大学;2012年

6 韩旭明;若干改进的人工免疫算法及其在大气环境领域中的应用[D];吉林大学;2010年

7 姜春福;基于神经网络的机器人模型辨识与控制研究[D];北京工业大学;2003年

8 李西平;塔机超声安全预警目标识别的神经网络方法研究[D];西安建筑科技大学;2015年

9 刘长义;基于不确定性测度的机械零部件再制造加工质量控制理论与方法研究[D];合肥工业大学;2015年

10 王永利;区域客户端能源综合需求侧管理理论及应用研究[D];华北电力大学;2010年

相关硕士学位论文 前10条

1 周鹤;基于改进Elman神经网络的水稻生长预测[D];扬州大学;2019年

2 陈立强;基于频谱传播差异的目标距离估计[D];西安电子科技大学;2019年

3 尹s

本文编号:2618411


资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2618411.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户93d95***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com