谱估计理论在弹道数据参数化建模中的应用

针对高超声速飞行器防御作战中目标运动规律的描述问题，提出一种基于经典和现代谱估计理论的弹道数据参数化分析和建模方法。该方法将弹道数据视作非平稳随机信号，研究其变化规律：首先，通过线性消势法消除信号的线性趋势，将其转变为平稳信号，以便于进行谱估计；然后，采用Welch算法给出大致的谱图，结合该谱图和改进的协方差法确定自回归参数模型的阶数，以避免模型阶数选择准则引起的不确定性问题；最终，给出弹道数据的参数化模型。仿真结果表明，使用本文算法建立的弹道数据参数化模型与动力学模型具有较高的一 致性。     

如何对航空轮胎制造过程进行审核

从简要介绍航空轮胎的制造工艺(过程)、检验和试验项目开始,重点阐述了从塑炼、混炼、压出(或挤出)、压延、胶帘布裁断、帘布筒制造、钢丝圈制造、胎圈成型、轮胎成型、轮胎硫化、检验和试验项目、人员、设备等方面如何对航空轮胎成型过程进行审核。     

基于速度观测的双余度电液舵机系统容错同步控制

考虑飞机电液舵机活塞杆运动速度不易测量的情况，提出一种基于速度观测的容错同步控制策略，解决了双余度电液舵机系统（DREHAS）内泄漏共模故障（IL-CMF）下的位置跟踪控制问题。首先，通过引入2组参考轨迹并对模型进行线性变换，实现舵面位置跟踪与两舵机力输出同步控制解耦；其次，在扩展状态观测器（ESO）中加入故障参数自适应项，设计一种自适应扩展状态观测器（AESO）估计两通道舵机活塞杆速度和扰动，从而克服了故障条件下利用原系统模型设计ESO带来的估计结果不准确问题；最后，基于AESO的估计结果及故障参数在线更新结果，利用反步法设计了一种非线性容错同步控制器。Lyapunov稳定性分析结果表明，该控制方法可确保IL-CMF故障及时变干扰条件下，闭环系统所有信号有界，系统输出满足规定的性能要求。IL-CMF故障及常值干扰条件下，系统跟踪误差渐进收敛于零。仿真实验进一步验证了所提方法的有效性。      

基于FRFT的多分量LFM信号检测与参数估计方法

针对传统方法搜寻效率低的问题，采取瞄准搜寻策略，提出一种快速精确地检测和估计多分量线性调频（LFM）信号参数的方法。推导出LFM信号的分数阶长度和旋转角度间的近似关系；利用分数阶幅度随旋转角度变化规律，提出一种高效搜寻最优旋转角度的算法，分析得出该算法的计算量较小，相比于传统算法具有较大优势。在低信噪比情况下，进行两次S-G滤波可显著提高检测概率。仿真结果表明，所提方法在低信噪比和存在分量间信号干扰的情况下，能可靠检测和精确估计多分量LFM信号参数。      

基于结构加权低秩近似的泊松图像去模糊

针对由高斯模糊和泊松噪声引起的图像降质问题，提出了一种基于结构加权低秩近似的图像去模糊方法。首先，通过依次组合缩放、旋转、剪切和翻折等四种基本操作引入结构变换，以增加搜索空间内候选图像块的相似性。然后，构造新的目标函数，利用相似图像块的低秩性，在正则项中使用加权核范数（WNN）对结构变换后的图像块进行惩罚，以在去模糊的同时抑制泊松噪声。最后，基于半正定二次分裂（HQS）方法设计交替优化方案，用于求解目标函数，从泊松图像中去除模糊。实验结果表明:在多种泊松噪声强度下，所提方法取得的峰值信噪比（PSNR）和结构相似性（SSIM）都高于当前同类去模糊方法。      

GNSS观测数据ZTD建模的质量控制方法

针对目前基于GNSS观测数据的对流层天顶总延迟(ZTD)模型缺乏有效质量控制手段的现状,提出了一套综合考虑数据量、网格分辨率以及模型稳定性的ZTD建模质量控制方法,并采用内华达大地测量实验室(NGL)解算的高空间分辨率GNSS对流层数据,选取了近十年德国及周边区域[47°N-55°N,5°E-15°E]183个测站的实测ZTD,对该方法进行了校验。实验结果表明:在该质量控制方法下建立的新模型精度稳定,平均均方根误差(RMS)为3.4 cm,相对于UNB3m、EGNOS、GPT2w+Saas平均改善了42.4%、35.8%、33.3%。本文提出的质量控制方法有效提升了基于GNSS观测数据的ZTD模型的性能,对于ZTD建模研究具有一定的参考价值。     

一维GTD散射中心模型参数估计的改进MUSIC算法

针对利用多重信号分类（MUSIC）算法估计一维几何绕射理论（GTD）的散射中心模型时噪声鲁棒性较差、参数精度不高这一问题，提出一类改进的MUSIC算法。首先，构建原始回波数据的共轭矩阵，有效提高了原始回波数据的利用率；其次，将原始回波数据的协方差矩阵、共轭数据的协方差矩阵叠加取平均，得到一个新的总协方差矩阵；最后，对矩阵作2次方、4次方等偶次方处理，得到另一矩阵，以达到增大信号特征值与噪声特征值之间差距的作用，等效为增大了信噪比。仿真结果表明:所提改进算法的参数估计性能及噪声鲁棒性均要优于经典MUSIC算法。      

一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题，目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测，前者有着较高准确性，后者有着较好速度，但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能，基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块，通过对候选区域网络（RPN）的锚机制进行引导，使得对于预选锚框形状的选择更具有多样性；同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题，提出了一种置信度因子的NMS（Cf-NMS）算法，对于模型的整体性能有着很大的贡献。实验结果说明，所提方法虽然在速度性能上有略微的下降，但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。