基于FPGA的自适应阵列协方差矩阵特征分解的实现

卫星导航抗干扰的过程中，对空间信号波达方向估计、干扰个数检测、最优权矢量的求解直接影响着导航接收机的抗干扰性能，而协方差矩阵的特征分解是这些算法实现的核心部分。根据自适应阵列天线获得的协方差矩阵的特性，基于双边并行Jacobi算法，实现了基于FPGA的协方差矩阵特征值和特征向量的求解，并通过在信号波达方向估计的应用进行了验证。另外，在实现的过程中对直接调用CORDIC IP核的方式进行了精度误差分析，并用一种双精度浮点的方式进行修正，提高了矩阵特征分解FPGA的实现精度，为导航抗干扰接收机性能的提升提供了有效的工程基础。     

基于小波神经网络的模拟电路故障诊断

介绍了模拟电路故障诊断的神经网络方法及小波神经网络,以一带通滤波器为例,提出了一种基于输出灵敏度分析,利用多频测试生成故障特征向量训练小波神经网络进行故障诊断的方法。仿真结果表明小波神经网络作为故障分类器具有收敛速度快,诊断准确等特点。     

基于特征序列的时域STBC-OFDM盲识别算法

为有效解决STBC-OFDM信号盲识别过程中存在的低信噪比适应能力弱等问题，在OFDM块大小已知的前提下，提出了一种在时域上构造特征序列的识别算法。该算法推导了空时分组码接收信号的时域特性，以及四阶特征向量，并构造特征序列，通过检测特征序列达到识别4种STBC-OFDM信号的目的。推导和仿真结果表明:所提算法无需信道、噪声、调制方式和OFDM块起始位置等先验信息，在较低信噪比条件下也具有良好的识别性能，且对频偏、多普勒频移和时延的鲁棒性能好，计算量较低，具有较高的实用价值。      

积分滑模控制在飞艇舵面故障中的应用

针对飞艇运动姿态的小扰动模型,利用极点配置方法设计了积分滑模控制器。对飞艇"×"型舵面出现的故障,给出了期望的特征根,并选择合适的特征向量来构造积分滑模面。给出了一种快速的趋近律形式,并证明了其稳定性。仿真结果表明,与PD控制器相比,积分滑模控制器能使飞艇的运动姿态保持良好。     

一类基于颤振行列式的颤振分析新方法

提出了一类基于颤振行列式的颤振分析新方法,分别采用颤振行列式值的模,或颤振矩阵的模最小特征值这两个指标的频域下界,来直接确定颤振临界点.根据这两个指标在颤振临界点附近取极小值的特点,编制了相应的算法.数值算例验证了这两个指标在确定颤振临界点时的等价性.该方法与传统颤振分析方法的结果精度相当,并且根据颤振临界点处的颤振特征向量还可以定量给出各模态参与颤振耦合的程度.      

一种自主星图识别算法

为了改善星敏感器系统的星图识别实时性和可靠性,文章在研究现有的星图识别相关技术基础后,提出了基于特征向量投影法的算法核心,并在这一核心的基础上完成了星图识别算法和导航星图数据库的改进设计。最后编写仿真测试软件对此算法程序进行了性能测试,测试结果表明,文章提出的自主星图识别算法在星图识别实时性和可靠性方面都较以往算法有了提高。     

第23太阳活动周行星际磁场扇形结构对中低纬地磁场的影响

用特征向量分析法对第23太阳活动周天津静海磁场强度水平分量H的时均值进行研究,分析行星际磁场扇形结构的地磁效应（简称扇形效应）对中低纬地磁场H分量日变化的贡献.研究结果表明,中低纬扇形效应为3～11nT,在太阳活动高年扇形效应达到最大值（约11nT）,低年达到最小值（约3nT）.太阳活动高年扇形效应引起的地磁H分量值变化与太阳活动低年的情况相反,但是扇形效应在夏季对地磁H分量的影响较小.太阳活动高年扇形效应日均值的增减与上升年的相反,与下降年相同,夏季扇形效应平均增量最小且无规律.春、夏和秋三个季节的扇形效应最大值都出现在太阳活动高年,冬季的扇形效应在太阳活动峰年两年后才出现最大值（约11nT）.在太阳活动低年（或高年）,当扇形磁场背离（或指向）太阳时,夏季扇形效应白天引起地磁H分量增大（或减小）,夜间导致地磁H分量减小（或增大）,其他季节全天都会导致地磁H分量减小（或增大）.用特征向量推断行星际磁场扇形极性的符合率在春夏秋三个季节高达60%,在冬季为55%.      

基于K-means的深度跨模态哈希量化优化方法

互联网应用的普及使得多模态数据快速增长,跨模态检索技术已成为相关领域的关键技术之一。针对现有跨模态哈希算法存在的网络结构和量化方法等方面的问题,本文在新的深度跨模态哈希检索模型之上,提出了一种基于K-means的深度跨模态哈希量化优化方法（K-means-based quantitative-optimization for deep cross-modal hashing,KQDH）。该方法通过K-means聚类算法对多模态数据特征向量分类,并通过集体量化方式来控制量化误差,使得哈希码更好地表示出多模态特征。实验结果表明,该方法能在多模态数据之间保持相似性并最大程度地捕获语义信息,从而提高跨模态检索的准确性和效率。