摘要：讨论以军事训练为目的的分布式交互仿真技术，分析了ＤＩＳ设计需考虑的若干主要问题、一致通信环境、仿真应用开发的客户服务器环境，并在此基础上给出一个ＤＩＳ原型系统的网络结构、功能原理与性能分析。

摘要：提出了电单负介质和磁单负介质组合填充矩形波导结构,通过理论分析和修正的3D-Drude-FDTD算法进行数值仿真,分析了电磁波在其中的传播特性.仿真结果表明,新结构波导中存在异于传统介质填充波导的亚波长导模,且传播常数基本不随频率的变化而变化,可以用于宽带微波器件和天线的设计.

摘要：文章利用天线的等效电路模型,分析了展宽天线阻抗和轴比频带的原理。提出了利用Wilkonson功分移相器结合翻转容性馈电结构来展宽微带天线的阻抗带宽和轴比带宽的方法。设计了工作频率为1.268 GHz、轴比小于3 dB的相对带宽为44.4%、在此频带内驻波比小于1.5的天线单元;并利用这样的天线单元组成四元圆形阵列,制作了天线阵,测试结果为圆极化带宽为23.8%,驻波比小于1.5,增益大于8dB。

摘要：宽带柔性转发器作为下一代卫星通信有效载荷,采用星上数字信道化处理,可以很好地解决传统有效载荷存在的问题,实现卫星信号任意频段、任意带宽之间的灵活交换。该文分析了柔性转发器中调制滤波器组的性能特性,将滤波器组的设计转换为原型滤波器的设计,提出了一种近似精确重构的原型滤波器设计方法。该方法通过间接设计的思想,首先采用Parks-McClellan算法设计得到低阶的双通道滤波器h(2)(n)和实对称FIR滤波器g(n),然后利用g(n)实现对h(2)(n)的非零值M倍内插与2倍抽取,得到近似精确重构的原型滤波器h(M)(n),从而避免了IFIR法设计过程中镜像分量产生的性能损失。仿真结果表明,采用该文方法设计得到的调制滤波器组较传统设计方法表现出良好的性能。

摘要：低轨星座系统组网复杂,业务类型多且动态性强。为对系统业务进行分析和估计,首先构建其业务建模与仿真框架,其中业务模型分为业务源模型和网络模型,业务源模型采用分层触发方式实现对网内用户行为的精确描述,网络模型采用模块化方式以增强可扩展性。在此基础上,针对"天基+地基"模式的星座系统建设方案,对境外业务进行分析,基于业务模型设计仿真场景,通过仿真获得不同用户数下星际链路所需承载的业务量,较好地解决了卫星星际链路有效载荷的重量分配问题,为低轨星座系统的设计和性能评估提供参考。

摘要：传统的动态目标定位算法需要采集、存储和处理大量数据,并不适用于能量受限的无线传感器网络。针对该缺陷,该文提出一种基于压缩感知的动态目标定位算法。该算法利用目标的运动规律设计稀疏表示基,从而将动态目标定位问题转化为稀疏信号恢复问题。针对传统观测矩阵难以实现的缺陷,该算法设计可实现且与稀疏表示基相关性低的稀疏观测矩阵,从而保证了算法的重构性能。该算法的特点是可利用较少的数据采集实现动态目标定位,从而大大延长无线传感器网络的寿命。仿真结果表明,该文所提出的基于压缩感知的动态目标定位算法具有较好的定位性能。

摘要：为了解决长距离逆向调制光通信系统中弱信号难以检测的难题,将散斑检测方式用于逆向调制光通信中,实现对逆向调制端弱小光信号抖动的检测.设计了系统方案和检测原理,并实验完成了60m距离上1.3kHz数字信号的传输和330m距离上模拟话音的传输.该检测方式简单、便宜、易于模块化,在低速的逆向调制光通信系统中有较好的应用.

摘要：提出了一种线谱对参数预测多级矢量量化联合优化算法。该算法对预测系数和多级矢量量化采用渐进闭环设计,通过迭代实现预测系数和多级矢量量化设计的联合优化。在多级矢量量化设计过程中,采用迭代优化实现多级码本的联合优化。采用语音线谱对参数对量化算法进行测试。测试结果表明,与传统算法相比,该量化算法可以减小线谱对参数量化失真,提高编码语音质量。

摘要：该文针对单径慢衰落信道模型下的相干DS-SS／MPSK系统,分析了频差对系统性能的影响,得到了误比特率的封闭表达式。首先推导了匹配滤波解扩符号的信噪比特性和相干相位估计误差的分布;然后给出了衰落信道中误比特率的精确积分式,并利用MPSK条件误符号率的麦克劳林级数形式,推导了AWGN,Nakagami-m衰落和瑞利衰落信道中BPSK,QPSK误比特率的简化逼近式。最后的数值结果表明:逼近式的精度非常高,基本没有损失,可应用于实际系统设计和性能评估。

摘要：针对训练多层激励函数量子神经网络(MAF-QNN)时权值与量子间隔的目标函数存在冲突,导致收敛速度和网络性能下降的问题,该文提出一种改进的量子神经网络的训练算法。通过设计输出均方误差和这一目标函数对权值和量子间隔进行统一训练,同时引入Levenberg-Marquardt(LM)算法降低目标函数陷入局部极小值的概率,实现了对量子神经网络的高效训练。实验结果表明,该文提出的训练算法有效减少了迭代次数,显著提高了网络收敛精度,可应用于数据分类、函数逼近等场合,扩展了多层激励函数量子神经网络的应用领域。