图样的知识目标分类与例证性分析

根据教育目标分类学的观点分解课程教学目标，再分别对分解的目标进行例证性分析，能更客观地验证教育目标的实效性和教育过程的可行性。本文通过对图样的知识目标分类与例证性分析，为工程图学教育目标检测做一尝试。     

小波分析和人工神经网络在金属超声无损检测缺陷分类中的应用

基于金属超声检测中的缺陷脉冲回波为非稳态信号的特点，对高温合金材料超声检测信号的小波变换进行了特征分析，提取了各级小波分解信号的能量分布特征，最后将这些特征输入人工神经网络进行训练和分类，实验表明，这种方法具有良好效果。     

一种新的基于粗集的辐射源信号识别模型

粗糙集理论作为一种新的处理含糊和不确定性问题的数学工具,已成为国际学术界的一个前沿的研究领域。在深入研究粗糙集理论的基础上,将其引入辐射源识别问题中,给出了一种基于粗糙集的辐射源信号识别模型。同时给出了一种不依赖先验知识确定辐射源识别权值的新方法,并提出了一种新的分类规则。最后,进行了计算机仿真实验,并与经典的模糊模式识别及统计模式识别方法进行了比较,实验结果证明了该方法的优势和有效性。     

改进PASTd算法在大型自适应阵中的应用

矩阵特征分解算法中紧缩近似投影子空间跟踪(PASTd)算法在自适应阵波束形成中得到了广泛应用.在对其仿真中发现仅在信噪比较低时该算法才能得到较好的结果.针对这一缺陷,正交近似投影子空间跟踪(OPAST)算法被引伸到PASTd中.改进算法可在不知道信号维数的情况下估算信号的特征向量与特征值,并保证特征向量的正交性,因此具有更好的收敛性能,而算法复杂度基本不变.改进算法与多重信号分类(MUSIC)算法相结合应用于大型自适应阵,可对主瓣及其附近区域的干扰进行抑制,并大大降低MUSIC算法的计算量,对其干扰零点的形成有很强实用价值.     

基于信号分类的时频分布

在将时频分析应用于模式识别的应用中 ,传统的方法是先用时频分析方法表示所获得的信号 ,然后根据时频分布提取相应的特征 ,最后将所提取到的特征输入到分类器进行分类。为了使得时频分布具有好的局部聚焦性和抑制交叉项 ,学者对一些分布进行改进 ,如采用平滑函数 ,或者是采用降低干扰核设计等等。但其目的是获得良好的时频分布 ,其最终目的不是应用于信号分类。介绍了一种基于信号分类的时频分布设计 ,其目的不是获得良好的时频分布 ,而是获得很好的分类效果。     

基于支持向量机的组合分类方法及应用

为了解决采用神经网络、决策树作为弱分类器的AdaBoost组合分类存在的不足,进一步改善组合分类效果,提出采用支持向量机(SVM)作为弱分类器的一种新的组合分类诊断方法——AdaBoost-SVM。该方法没有采用一个固定的SVM的核参数,而是自适应调整SVM中的核参数,从而得到一组有效的SVM弱分类器。通过对基准数据库的测试及航空发动机故障样本的诊断,结果表明,所提AdaBoost-SVM方法较好地解决了现有的Ada-Boost组合分类方法中存在的弱分类器本身参数选取困难问题及训练轮数的合理选取问题,并具有更好的泛化性能,更适合对分散程度较大、聚类性较差的航空发动机故障样本进行分类。     

基于特征的锻件分类及特征有限元法

综合分析锻件后引入特征技术并归纳锻件的形状及变形特点 ,提出了锻件特征概念并给出锻件形状特征的一般定义和构成 ;采用面向对象技术表示特征 ,提出了锻件特征类的概念模式和具体的参数化数据模型 ;针对有限元分析中复杂多变的约束条件和载荷状况两个关键性因素的表达 ,提出特征类的关联思想。在基于特征的锻件分类基础上 ,把锻件变形归纳为“挤”或“压”两种特征元 ,提出了采用基于特征的有限元法 ,并综合自适应FEM、并行FEM、智能型FEM共同求解大型复杂锻件的变形模拟问题。     

软件无线电侦察系统中的信号处理技术

软件无线电是无线通信领域特别是军事通信领域的一场革命,并已取得了长足的进展,软件无线电通信的侦察与对抗已成为一个十分紧迫的课题。本文对软件无线电侦察系统中的通信信号检测与分选技术进行了研究,为进一步研究提供了有用的参考。     

航空维修人为差错理论分类和对比研究

通过对航空维修人为差错理论的梳理和比较，将航空界已形成的主要人为差错理论分成三类：个人学派、组织学派和系统学派．并对各理论的研究视角、特点、优点和局限性进行了归纳和对比。     

天气因素导致的航班延误问题研究

针对天气干扰下的分季节的航班过站衔接时间优化问题,在对各个航班的潜在延误风险等级评价的基础上,通过历史数据研究天气因素导致的航班延误概率分布,求得各航班波及延误的期望,以优化前后总的波及延误之差最大化为目标函数,分别建立分季节优化松约束模型和紧约束模型,对航班衔接过站时间进行优化.最后以国内某航空公司的航班数据为算例,进行验证并比较.研究结果表明,分季节的松约束模型和紧约束模型均比原计划减少了波及延误的时间,且松约束模型的优化效果更明显.