多维相关系数平稳序列分析方法

相关系数平稳序列是从非平稳随机序列中分离出来的一类工程上常见且又便于研究的一类时间序列,其均值和方差都可随时间变化,因此,与传统平稳过程相比,它能更好地描述工程中的时间序列.在相关系数平稳过程的基础上,给出多维相关系数平稳过程的定义,建立了新的多维相关系数序列的理论和方法,给出了多维相关系数序列的极大似然估计.通过对时域的全程分析,能够充分利用样本信息对相关系数序列的均值函数,协方差矩阵函数和相关系数矩阵函数进行估计.在此基础上,对多维相关系数平稳序列进行高精度的频谱分析.     

相关系数ARMA(p,q)序列分析方法

本文提出相关系数ARMA(p,q)序列分析方法。相关系数ARMA(p,q)序列是从非平稳序列中分离出的一类工程上常见且便于研究的时间序列,在模式识别、故障诊断、信号处理、自动控制和结构响应分析等领域有着广泛的应用。传统的相关函数ARMA(p,q)序列仅是它的一个特例。文中建立了相关系数ARMA(p,q)序列的条件极大似然估计和精确极大似然估计,前者在样本较大时简单便于工程应用,后者则在样本较小时仍具有较高的精度,它们通过时域的全程分析,充分利用样本信息确定相关系数ARMA(p,q)序列的均值函数、方差函数和相关系数函数。在此基础上可进行高精度的频谱分析。     

非等间距相关系数AR(p)序列预测方法

针对非等间距时间序列预测中存在误差较大的问题,本文建立了非等间距相关系数AR(p)序列预测方法,详细讨论了非等间距相关系数AR(1)序列和AR(2)序列的预测公式和误差估计。大量计算表明,本文方法与通过插值将非等间距序列变换为等间距序列进行预测的传统方法相比,具有更高的预测精度。      

相关系数平稳过程时频分析方法

相关系数平稳过程是从非平稳过程中分离出的一类工程上常见且便于研究的随机过程,其均值和方差都可随时间变化,传统的平稳随机过程是它的一个特例。本文提出了相关系数AR(p),MA(q)和ARMA(p,q)序列的概念,建立了相关系数平稳过程的时频分析方法。该方法首先在时域进行全程分析,得到相关系数平稳过程的均值函数、方差函数和相关系数函数,然后可以对其进行傅里叶变换、短时傅里叶变换或小波变换,给出相关系数平稳过程的谱密度,同时提出了随机项谱密度和趋势项谱密度的概念。文中还讨论了线性系统对相关系数平稳过程输入的响应。     

多样本时间序列的P-T曲线可靠性评估方法

提出一种用于评估固体火箭发动机内弹道压强—时间曲线(P-T曲线)的多样本时间序列方法.该方法可以综合利用单条样本曲线数据内的纵向信息和多条样本曲线数据间的横向信息, 提高固体火箭发动机内弹道性能曲线可靠性评估的精度.具体给出了等间距与非等间距情形下多样本P-T曲线模型参数的极大似然估计方法以及当给定压强满足可靠性要求的上、下限时可靠度的点估计与区间估计计算公式.文中最后给出了一个具体实例.      

相关系数平稳序列的估计与识别

本文提出了通过观测序列确定不可直接测得的相关系数平稳序列模型参数的方法,详细讨论了相关系数AR(p),MA(q)和ARMA(p,q)序列状态方程的参数估计,为非平稳序列的滤波、预测和平滑提供了依据。文中还给出了观测系统参数的识别方法,与传统方法相比,本文方法考虑了测量噪声的均值和方差随时间变化情况,具有更高的识别精度。      

非均匀噪声稀疏均匀圆阵的二维DOA估计

针对在机载雷达、通信等领域有着广泛应用的均匀圆阵(UCA),研究了非均匀噪声下稀疏均匀圆阵的二维波达方向(DOA)估计.首先采用改进的相位模式方法构造非均匀噪卢稀疏均匀圆阵的波柬空间似然函数;之后,在分析非均匀噪声稀疏均匀圆阵的波束空间似然函数特点的基础上,修改了Burg的逆迭代算法以适应稀疏均匀圆阵下非均匀噪声自相关...     

一种基于极大似然估计的信号盲抽取算法

针对盲信号抽取问题,根据极大似然估计原理,给出一种基于极大似然估计的分步盲抽取算法。根据信号不同的延时特性确立抽取信号,完成第一步抽取。由于初步抽取信号存在噪声污染,根据极大似然估计,估计抽取信号的概率密度函数,确立优化代价函数,利用自然梯度方法进行优化,确立最终抽取向量迭代方式,完成对抽取信号优化处理。通过仿真证明算法具有良好的收敛性和抗噪性,在SNR17 d B时,抽取信号与源信号的相似度达到95%。     

无需辅助数据的分布式目标自适应检测器

在非高斯背景和没有辅助数据的条件下,研究了高分辨率雷达分布式目标的自适应检测问题.首先采用有序检测理论和协方差矩阵的迭代估计方法粗略估计散射点集合,进一步利用迭代估计方法获得协方差矩阵的近似最大似然估计,提出了无需辅助数据的自适应检测器(ADWSD).ADWSD在非高斯背景下具有近似恒虚警率特性,且检测性能远好于修正的...     

基于极大似然估计器的GNSS矢量跟踪算法

矢量跟踪是一种将全球导航卫星系统(GNSS)接收机的信号跟踪与导航解算融为一体的跟踪算法。传统的基于矢量延迟/频率锁定环(VDFLL)的跟踪算法普遍采用延迟锁定环(DLL)和锁频环(FLL)鉴别器计算伪距和伪距率偏差观测量,由于锁频环鉴别器存在近似误差和一步延迟效应,在高动态环境下容易造成环路失锁。从直接估计卫星信号特征参数的角度出发,基于中频信号模型构建码相位和载波多普勒的极大似然代价函数,采用非迭代估计算法得到各通道码相位和多普勒频移的估计偏差,转换为卡尔曼滤波器的观测矢量,提出一种基于极大似然估计器(MLE)的矢量跟踪算法。理论分析和仿真结果表明:新算法结合了极大似然估计和矢量跟踪的优点,克服了FLL的延迟效应,与基于VDFLL的矢量环路相比,高动态环境下的跟踪稳定性更好,可以对被遮挡的卫星保持持续的跟踪。     

确定时间序列协方差函数的方法

提出一种确定时间序列协方差函数的方法,它首先根据(多元)时间序列构造其互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列,然后采用谱分析和多点平均方法对互协方差函数随机序列、互相关函数随机序列或自协方差函数随机序列、自相关函数随机序列的趋势项进行分离,分别求得其周期项和非周期项的函数表达式,再综合给出整个趋势项函数。从而得到原时间序列的互协方差函数、互相关函数或自协方差函数、自相关函数的函数形式,并通过最小二乘方法确定其中的待定参数。该方法可用于时间序列协方差函数的建模、分析和预测,并且计算简单易行、精度高,便于实际应用。      

监视参数预测和故障识别法

将时间序列分析方法应用于航空发动机状态监视与故障诊断中, 采用自回归模型, 对监视参数进行趋势预测。进一步将时序分析与模式识别技术相结合, 通过构造判别函数和用参数相关分析法, 识别发动机典型故障。      

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。     

磁流体密封结构参数对密封能力的影响

在采用磁场分析法, 并利用不等间距网格的有限差分数值方法对磁流体密封装置中稳态磁场进行分析 [3] 的基础上, 研究了矩形齿磁流体密封装置结构参数对密封能力的影响, 并根据磁路分析方法定性解释了参数对密封能力的影响规律 (参数包括密封间隙、极齿结构参数、永磁体结构参数以及极齿齿数)。根据分析计算的结果, 对磁流体密封进行了优化设计和实验验证, 优化设计出的装置体积和重量降低了50%以上。      

由飞行试验数据求取直升机气动导数的最佳方法研究

本文主要介绍利用频率法、卡尔曼滤波和最大似然法求取气动导数的方法。方法的特点是,通过频率法使旋翼高频成份的影响减至最小,同时求取试验数据的测量噪声和过程噪声,然后通过卡尔曼滤波使试验数据包含的随机噪声减小,最后使用最大似然法使试验数据包含的随机噪声进一步减小,并求取最终的气动导数。计算结果表明,该方法可使试验数据中包含的噪声减至最小,复合相关系数提高到0.95以上,特征根更接近真值,其准确度优于最小二乘法、频率法、卡尔曼滤波方法和最大似然法,它保留了使用低通滤波数据的卡尔曼滤波方法的优点,克服了原方法振荡模态频率偏低的缺点,适合于各种直升机的导数识别。