基于CLIPS的航天发射决策支持系统

提出了基于CLIPS的决策支持系统的构建方法，比较详细分析了系统的组成、功能和推理过程，重点讨论了关系矩阵、决策树、故障字典的推理方法。关系矩阵利用输入输出信息存在一一对应的特点。建立了故障模式与测试信息的映射关系，实现故障快速定位；决策树按叶结点、判定结点和决策结点三个层次，实现最低发射条件的判定；故障字典采用分步实施的模糊故障字典，既按系统、分系统、单机级设立故障字典，又按箭上、地面设备、人工信息设立故障字典，然后采用模糊推理方式，给出故障处置对策。该系统在首次载人航天飞行任务中得到了应用，有效解决了信源偏少问题，其实时性和正确性能较好地满足指挥员的要求。     

利用字典优化方法实现sub Nyquist采样数据的频率估计

在稀疏重构理论中,重构信号需要预先设定稀疏表示字典,针对预设字典与真实字典之间的失配对信号稀疏表示造成的不利影响,提出一种基于字典优化和稀疏贝叶斯学习(Sparse Bayesian Learning, SBL)的频率估计算法。该算法首先构造基于sub Nyquist采样数据的信号稀疏表达式,然后利用SBL算法估计信号频率,同时根据估计结果优化字典,最后反复迭代上述步骤直至计算出的频率值和对应的幅度值趋于稳定。仿真结果校验了方法的有效性。     

一种基于稀疏表示的DOA估计新方法

提出了一种基于空间频率稀疏表示的宽带波达方向DOA估计方法。首先利用空间频率构建过完备字典,以代替传统的频率和角度的二维字典,大大缩小了字典长度。然后对接收到的数据进行傅里叶变换,建立稀疏模型进行DOA估计,提高了算法在低信噪比下的性能。经验证,该算法可对宽带范围内的多个窄带信号及宽带信号进行高精度DOA估计,且适用于非相干信号和相干信号。     

电子战模型库管理系统的设计与实现

描述了电子战模型管理系统具有的功能以及开发要求 ,论述电子战模型库管理系统应由模型库、内部数据库、模型字典和系统管理四大部分组成。     

基于Mentor EDA系统的模拟电路故障仿真器

模拟电路故障仿真器是故障字典法用于故障诊断所需的基本工具。本文基于ＭｅｎｔｏｒＥＤＡ系统设计一种能自动生成模拟电路故障字典的仿真器，并提供专家分析的辅助工具，实现在ＥＤＡ环境中的故障诊断。     

运载火箭控制系统故障诊断系统

研究了运载火箭控制系统故障诊断系统的技术策略和实现途径,提出了基于仿真分析的分层次的故障模型结构和分级的故障诊断系统结构,以及适用于火箭控制系统的综合字典的逻辑结构和字典动态管理方法,专家辅助工具在一定程度上实现了对常见多故障和软故障的诊断.研究结果在实际系统中进行了验证.     

一种FPGA在轨重构配置数据压缩算法

对现场可编程门阵列(FPGA)在轨重构配置文件压缩,可以大大减少遥控上注时间。为此,文章利用FPGA配置文件中0值较多的特点,结合游程编码(RLC)及字典编码的优势,提出一种FPGA在轨重构配置数据压缩算法,即结合零游程(Zeros Run Length,ZRL)编码的VLZW压缩算法(简称为ZRL-VLZW算法)。为减小航天器载计算机内存开销,使用索引迭代方式存储字典并限制字典长度。采用航天器常用FPGA多种资源占用比的配置文件,利用ZRL-VLZW、LZW和VLZW算法进行压缩测试比较。结果表明:ZRL-VLZW算法性能优于LZW算法和VLZW算法,可有效进行配置文件的压缩,使在轨重构注入数据上注时间减少为原来的1/20~1/3。     

一种改进的基于舰船目标SAR图像的超分辨率方法

针对提高舰船目标SAR图像分辨率的问题,基于Fourier字典的稀疏表示法得到的结果中杂波和旁瓣较多,正则化方法对于点目标密集的图像处理结果较差。提出一种稀疏表示法与正则化方法相结合的超分辨率方法,首先利用基于Fourier字典的稀疏表示法对原始数据进行处理,然后建立所得结果的正则化模型,并利用正则化方法消除杂波、旁瓣及噪声。理论分析及仿真计算结果表明,此方法可以较好地解决上述两种方法存在的问题,得到较好的超分辨率结果 。     

用于故障字典的图形匹配算法研究

研究了故障字典法的图形匹配算法的实时性和实用性问题。在讨论了数据处理方法和一些匹配算法的基础上，提出了一种能提高匹配速度和精度的算法，可用于航天控制系统模拟电路的故障诊断系统。     

基于组字典学习的逆合成孔径雷达成像方法

基于压缩感知(compressive sensing, CS)的逆合成孔径雷达(inverse synthetic aperture radar, ISAR)成像方法可以使用非常少的数据来获得高质量的图像。但基于CS的ISAR成像方法中目标场景不准确的稀疏表示限制了成像方法的性能。结合字典学习(dictionary learning, DL)技术的CS ISAR成像方法能够寻找到目标场景图像块的最优稀疏表示,提高成像质量,但每一个图像块被单独考虑,而忽略了彼此之间的相互依赖关系。为了实现进一步提高成像质量的目标,针对ISAR图像分块重建的问题,首次提出一种基于组字典学习(group dictionary learning,GDL)的ISAR成像方法。将具有相似结构的图像块聚类并构建出多个图像块组,利用奇异值分解(singular value decomposition, SVD)从图像块组中学习出最优组稀疏变换字典。学习好的组稀疏变换字典可以寻找到待重建图像块组的最优稀疏表示,进而重建出高质量的目标场景图像。实验结果表明:与现有的CS ISAR成像方法相比,基于GDL的ISAR成像方法能获得更好的成像效果,并具有更高的计算效率。