【导引头】超视距雷达(OTH) 和甚高频(VHF)雷达

损失函数与优化器:从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」 本文揭示损失函数与优化器本质一体:优化器仅依赖损失产生的梯度,而损失决定梯度的方向、尺度与噪声特性。错误的损失选择(如分类用MSE)会导致梯度失衡,使优化器失效;不同损失(如Huber、Focal)通过调控梯度分布影响优化过程。实测表明,归约方式、标签结构与损失配对直接决定梯度行为,进而影响收敛性与泛化。核心观点:选对损失,才是让优化器“看得懂”的前提。 阅读详情

1. 雷达类型与探测原理

  • 甚高频雷达(VHF):工作在米波段,电磁波直线传播。其探测范围受限于无线电地平线,无法探测被地球曲率遮挡的目标。
  • 超视距雷达(OTH):主要使用短波(HF),利用电离层(平均高度约300公里)的反射作用,使电磁波沿地球曲面传播,从而探测数千公里外、地平线以下的目标。它分为两类:
    • 后向散射雷达:收发机共址,信号经电离层反射至目标,再由原路径返回。
    • 前向散射雷达:收发机分置,信号单向经电离层和目标散射至接收机,通常仅能测量目标方位角。

2. 探测区域与地球模型

  • VHF雷达探测区:理想情况下是以雷达为球心、无线电地平线距离为半径的半球。
  • OTH雷达探测区:下界为地球表面,上界为电离层。其一次跳跃的最大地面距离约3000公里。
  • 地球模型:计算中通常将地球视为体积等效的球体,采用平均半径 RE = 6371 km。更精确的模型采用椭球体(如WGS-84),赤道半径 Raequatorial ≈ 6378 km。

3. 目标坐标测定与挑战

  • 坐标系:VHF雷达常采用以雷达站为原点的球坐标系 (距离 r, 方位角 ϕ, 仰角 ε)。OTH后向散射雷达通常测量沿波束的距离 Db 和方位角 ϕ, 但难以准确测定目标高度,原因是电离层传播路径复杂。
  • 一体化需求:为有效覆盖并精确定位,需要将OTH雷达(用于远程预警)与VHF雷达(用于精确跟踪)的信息整合进统一的自动化预警系统,共同完成目标轨迹计算、武器分配和火力引导。

4. 应用实例:苏联“杜加”雷达与NORAD系统

  • “杜加”雷达:OTH雷达,工作频率3.26–17.54 MHz,用于探测7000-9000公里外的洲际弹道导弹和航天飞机。其天线为大型相控阵,功耗巨大。
  • 北美防空司令部(NORAD):其导弹预警系统(以427M计算机系统为核心)整合了天基传感器、OTH雷达等信息,负责提供导弹攻击预警、空间监视和防空控制。

5. 现代发展与技术要求 现代雷达的发展目标包括:提高探测距离、坐标精度、分辨率、抗干扰能力和可靠性。为应对高超音速目标等威胁,需要构建探测区域重叠的雷达网络,并与预警卫星、机载预警系统(如AWACS)等结合,形成综合预警体系,确保对超视距目标的连续跟踪与拦截引导。


公式汇总

  1. 1.

    无线电地平线距离(VHF雷达最大探测距离)

    • 公式:Rd = √(2 * RE * h_antenna)
    • 说明:RE 为地球半径(≈6371 km),h_antenna 为雷达天线相位中心高度。
  2. 2.

    第一宇宙速度(轨道速度)

    • 公式:V1 = √(G * ME / RE)
    • 说明:G 为万有引力常数(6.67430 × 10⁻¹¹ m³/(kg·s²)),ME 为地球质量(5.9724 × 10²⁴ kg),RE 为地球半径(6.370 × 10⁶ m)。
  3. 3.

    第二宇宙速度(逃逸速度)

    • 公式:V2s = √(2 * G * ME / RE) = √2 * V1
    • 说明:物体脱离地球引力场所需的最小初速度。
  4. 4.

    人造卫星速度范围

    • 公式:√(G*ME / (RE + h)) < V_satellite < √(G*ME / RE) (即 V_orbit(h) < V_satellite < V1)
    • 说明:h 为卫星轨道高度。卫星速度需大于该高度的轨道速度,小于第一宇宙速度。
  5. 5.

    目标仰角与天顶角关系

    • 公式:θ = 90° - ε
    • 说明:θ 为天顶角(从天顶向下量度),ε 为目标仰角(从地平线向上量度)。
  6. 6.

    坐标变换(不同雷达站间)

    • 公式示例(点B坐标转换到点A坐标系): XA = XB + X0BZA = ZB + Z0B
    • 说明:X0B, Z0B 是点B雷达坐标系原点在点A坐标系中的坐标偏移量,需根据几何关系(如地球曲率)具体计算。例如,当雷达站沿X轴间隔300km时,Z0B ≈ -7.067 km。
  7. 7.

    防空系统所需探测距离估算

    • 公式:D_detection ≥ (Vm / (Vm + Vt)) * D_max + (Vt * t_reaction)
    • 说明:Vm 为导弹速度,Vt 为目标速度,D_max 为导弹最大射程,t_reaction 为系统反应时间。此公式用于确保在目标进入杀伤区前完成拦截。

现代  导引头

【导引头】 第三章 (一) 超视距探测原理推导 使用超视距雷达在洲际弹道导弹轨迹的下降段探测目标时,当导弹速度V_t ≈ 6.5 [km/s],对应防空导弹系统的反应时间t_r = 41.53秒(第2章),要求在距地球表面至少30公里的高度引爆目标,这应对应敌人使用核弹头时的最小杀伤效果,使得拦截此类目标成为一项非常困难的任务。目标反过来反射无线电波的能量,部分能量也通过电离层返回雷达。考虑到初始状态导弹速度等于V_{2s},最终状态导弹将距地球无限远,其速度可忽略不计并取为零,因此由于距离无限远,路径末端的势能为零,由于速度为零,路径末端的动能为零。 阅读详情

相关推荐

【导引头】 第三章 (二)地平线上的射击:超视距雷达技术原理与发展

灵活调整发射波形以适应电离层条件。

VectorShift的博客 70

【机器学习300问】139、Post-LN 和 Pre-LN 的区别?

Post-LN与Pre-LN的核心区别在于LayerNorm的位置:Post-LN在残差连接后,导致梯度需经LayerNorm变换,深层易出现梯度衰减或震荡;Pre-LN先做归一化,使输入稳定,残差路径梯度可无损回传,显著提升深层训练稳定性。尽管Pre-LN支持更深层次模型(如LLaMA、Qwen),但存在“深度诅咒”——深层贡献不足。相比之下,Post-LN浅层表现尚可,深层数易发散。因此,现代大模型普遍采用Pre-LN以保障训练可靠性。

qq_39780701的博客 397

雷达标准命名及频率对性能的影响

工作频率对雷达性能的影响总结。

VectorShift的博客 1049

机器学习基础|监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据,以司机实际到达耗时为标签,通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差,最终对新订单输出连续的预估等待时间,实现精准预测。

weixin_43971465的博客 242

从零复刻平衡小车(基于STM32F1)

平衡小车(基于STM32F1)

Legendyyy的博客 5041

labview汽车电子通用测试程序架构,CAN通讯上位机

结合做过的汽车电子测试项目,车身控制器测试,CAN网络模块测试,电机控制器功能测试,汽车仪表盘视觉及功能测试、电气盒功能测试、EOL下线检测、车用空调控制器功能测试等项目,结合实际项目,整理编写的一个汽车电子,通用测试架构,包含项目的讲解等。6、数据保存 、数据处理、 曲线显示 、报警处理等。7、CAN总线故障信息监控及记录保存。2、参数设置(CAN端口及参数)5、CAN通讯+数据解析。

ali2805486883的博客 2757

Hugging Face:成为机器学习界的“Github”

以下文章来源于OneFlow,作者OneFlow社区五年前,AI领域的知名研究者Andrej Karpathy发文称,传统人工编程属于“软件1.0”,“软件2

2601_96798011的博客 126

金蝶K3系统物料主数据后台表对应字段一览

我们说到物料表,一般是指t_icitem,但正确的说t_icitem并不是一张有,而是一张视图,不过我们对于数据库物料表中的大部分操作,都是通过此视图来完成。比如经常通过此视图,来成批修改数量,单价精度,是否启用批次等一些字段,有的时候,对于账套已经启用,并且已经有业务发生的物料,有一些关键属性也需要通过修改物料表t_icitem来进行。 当然修改的时候,需要考虑一些前提条件的。 比如说我有一个客户新建的账套,在月底结账时发现,要改一种成本核算方法,启用时用的是加权平法,现在想改成移动平均法,这样的情况,

hzfw2008的博客 1万+

这7个小众Python库,才是机器学习工程化的降效神器

别再只盯着TensorFlow了:这7个小众Python库,才是机器学习工程化的降效神器在很多人的印象里,机器学习似乎就是高深莫测的数学公式、成千上万的GPU集群

2601_96797912的博客 160

[STM32H750]HAL库下FMC驱动正点原子MCU屏的移植与优化

本文详细介绍了在STM32H750平台上使用HAL库移植与优化正点原子MCU屏幕驱动的完整过程。重点解析了FMC硬件配置、Cache一致性处理、精确延时实现等关键技术难点,提供了实用的移植方案和性能优化技巧,帮助开发者高效解决屏幕显示问题。

rock5的博客 286

给排水工程师的SWMM初体验:从软件界面到第一个简单模型的保姆级上手教程

本文为给排水工程师提供SWMM软件的保姆级上手教程,从界面解析到创建第一个简单模型,详细介绍了SWMM的核心功能和操作步骤。通过30分钟的实践指导,帮助新手快速掌握雨水管网建模的基本技能,提升工作效率。

weixin_28736355的博客 323

机器学习——混淆矩阵(待更新)

二元: true表示真实==预测,positive表示预测值=1.

m0_61175448的博客 134

数据服务:数据服务框架Magic-API 介绍及实践

接口快速开发框架 基于Java的接口快速开发框架,编写接口将通过magic-api提供的UI界面完成,自动映射为HTTP接口,无需定义Controller、Service、Dao、Mapper、XML、VO等Java对象即可完成常见的HTTP API接口开发 。在线页面快速开发平台 基于 vue 的在线页面快速开发平台,主要把所有的 vue 代码都改为在线配置,最终获得一个 json 格式的页面新一代爬虫平台 基于Java实现的新一代爬虫平台,以图形化方式定义爬虫流程,不写代码即可完成爬虫。今天给大家安利一

GIS摆渡人 2063

【机器学习300问】138、LayerNorm和BatchNorm的区别?

本文阐述了归一化与标准化在深度学习中的核心作用。输入层标准化可统一初始输入,但深层网络仍面临激活分布漂移。为此,提出BatchNorm与LayerNorm两种主流方法。

qq_39780701的博客 183

使用 Azure DevSecOps 和 AIOps 构建可扩展且安全的多区域金融科技 SaaS 平台

这家虚构的金融科技 SaaS 组织在 Microsoft Azure 上构建了一个现代化的多区域架构,以实现高可用性、主动安全性和简化的 DevSecOps 工作流。如果您是 DevOps 从业者、SRE 专业人士或致力于创建弹性、可扩展且安全的金融科技解决方案的技术领导者,您将从中获得可直接应用于您自身项目的见解和经验教训。与大多数快速扩张的金融科技公司一样,他们需要确保不间断的正常运行时间、坚不可摧的安全性以及快速的功能交付,以满足全球用户群的需求。即使是短暂的中断也会损害用户的信心和忠诚度。

介绍AWS Azure GCP devops Terraform 等技术 1298

通信算法之320:DJI无人机云哨--信息包类型

大疆DJI无人机的云哨信息包主要分为四种类型:1)含经纬度位置、型号及序列号的完整数据包;2)仅含序列号的简化数据包;3)完全加密的数据包;4)加密密钥包。这些信息包格式不同,解析方式和应用场景也各异。如需更详细的技术资料,可联系作者获取。

leegang12的专栏 760

为什么生成对抗网络训练常不稳定,模式崩溃与判别器过强之间是什么关系?

当支持集不重叠时(即 $D$ 能完美区分真假),JS 散度为常数 $\log 2$,其梯度为 0。这意味着一旦 $D$ 训练得稍好,$G$ 就失去了学习方向,导致训练停滞。生成对抗网络(GAN)的训练本质上是生成器($G$)与判别器($D$)之间的非合作零和博弈。以下代码展示了如何通过梯度惩罚(Gradient Penalty)来约束判别器,避免其过强导致生成器梯度失效。判别器过强是导致模式崩溃的直接诱因之一,二者之间存在明确的**“梯度误导”**因果关系。

2402_84593233的博客 204

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇,带你用 Spark MLlib 走通机器学习全流程:从三要素与 7 步标准流程讲起,剖析 KNN、朴素贝叶斯、决策树三大算法原理,再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花(准确率 96.67%)、K-Means 聚类(轮廓系数 0.7345)五个案例落地,最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行,适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 451

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

AI 是怎样从数据中学习的?训练、验证、测试与推理

泛化能力(Generalization)指模型面对训练过程中没有见过的新数据时,仍然能够做出合理预测的能力。这是判断模型是否具有实际应用价值的重要标准。例如:一个用户流失预测模型,在历史数据上表现很好,但面对新上线的用户群体时,预测准确率明显下降。这可能说明模型学到的规律无法适应新的用户群体。泛化能力不仅取决于模型本身,也与训练数据是否具有代表性有关。训练数据只包含老用户,没有新用户。训练数据主要来自某个地区,实际业务却覆盖不同地区。过去的用户行为与当前用户行为已经发生变化。

dshizixu的博客 312

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

机器学习01,KNN使用与简单数学原理

个人笔记

qq_59247073的博客 265

机器学习教程,从入门到精通,高斯混合模型(GMM)——写给机器学习小白的保姆级教程(10)

高斯混合模型(Gaussian Mixture Model,简称 GMM):假设你手里的数据是由"好几堆正态分布的数据混在一起"形成的,GMM 的任务就是——把这几堆分开,并且描述清楚每一堆的样子。

qq_45746668的博客 120

AI小白入门|无监督学习到底是什么?

很多新手看完无监督学习的定义只会死记硬背。本文避开复杂公式,从真实业务场景切入,对比监督学习,讲清楚无监督学习的核心价值、适用场景、底层逻辑和容易踩坑的认知误区,帮你理解它在机器学习链路里的定位。

weixin_43971465的博客 180

机器学习01,了解与KNN

个人笔记

qq_59247073的博客 361

【slam公式】

F:状态转移矩阵H:观测矩阵R: 观测噪声协方差。

qq_44691564的博客 329

基于有效Token规模化的大模型预训练数据配方与工程体系研究——基于唐杰《高级机器学习》课程演讲

在此背景下,本文系统梳理GLM系列模型数据迭代轨迹,纠正数据墙认知偏差,分析天然数据与合成数据的互补机制,并完整构建支撑高质量Token挖掘的全链路数据工程体系,为大模型数据规模化建设提供理论与工程参考。早期小模型训练场景下,数据总量远大于算力可消化量,核心策略为择优筛选少量高质量数据。基于唐杰公开演讲核心观点、GLM数据迭代、数据墙、合成数据、清洗解析工具链、分层架构图、自研工程壁垒),完整重构成一篇结构严谨、逻辑连贯、标准期刊论文风格全文,预留精准图片插入位置,可直接定稿、查重、发表、结课提交。

interpromotion的博客 266

茶叶病虫害目标检测数据集

目标检测 yolo 目标检测数据集 茶叶病虫害目标检测数据集

DL_data_set的博客 391
上一篇: 2.2 SPPF(Spatial Pyramid Pooling Fast)
下一篇: 内容待补充内容待补充
VectorShift
博客等级 码龄1年 1831粉丝 1103原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值