无人平台复杂地形探测的视触融合方法

为提高无人平台在复杂环境中的地形探测能力以及解决在小样本数据下识别地形困难的问题，提出了一种无人平台复杂地形探测的视触融合方法。在原始宽度学习的基础上，建立了多模态级联特征节点宽度学习框架。首先进行触觉和视觉初步特征提取和融合特征提取，随后将融合特征矩阵经宽度学习分类器得到地形识别的结果。最后，在自建的视觉-触觉地形 (V-T2)数据集进行了实验验证。结果表明，相比于传统的融合算法，提出的融合算法有很好的准确性和鲁棒性，为无人平台地形探测提供了有效的策略。     

基于核主成分分析的空域复杂度无监督评估

空域复杂度评估作为衡量空域运行态势、管制员工作压力的关键手段，是运行调控的基础。由于影响因素众多，不同因素间耦合关联复杂，且标定样本很难获取，空域复杂度的准确评估被公认为航空领域的一个挑战性问题。提出了一种空域复杂度的无监督评估方法。首先通过核主成分分析挖掘原始样本各维度的非线性耦合关系，准确提取能够最大化复杂度评估信息量的主成分，进一步设计了可按需定制的主成分聚类方法，实现了无监督条件下空域复杂度的准确评估，为空域划分、流量管理提供了有效的技术支撑。     

基于序列近似优化算法的固体运载火箭弹道设计

采用打靶法研究固体运载火箭弹道优化设计问题。针对打靶法中智能优化算法效率、优化问题中约束条件提法等方面的不足,引入序列近似优化算法,提出算法中径向基函数高斯核宽度的高效确定方法。数值仿真实验表明,提出的方法可在基本不带来计算量增加的前提下,显著提高代理模型精度,使序列近似优化算法得到改进,提高优化效率。设计固体运载火箭飞行程序。建立弹道优化设计问题数学模型,并将模型中相关等式约束合理转化为不等式约束,降低优化问题求解难度;基于改进后的序列近似优化算法完成某固体运载火箭弹道优化,原始计算模型调用308次之后便搜索到最优解,较传统智能优化算法显著提高了优化效率,优化方案末助推级液体推进剂消耗比原方案减少25.7%。     

基于小波变换和支持向量机的开关电流电路故障诊断新方法

针对开关电流(Switched current,SI)电路的故障诊断和定位问题，为进一步提高故障诊断准 确率，提出了基于小波变换和粒子群优化(Particle swarm optimization，PSO)支持向量机 (Support vector machine，SVM)的开关电流电路故障诊断新方法。该方法首先对节点电流 信号进行蒙特卡罗分析，然后通过小波分解计算分形维数，再利用核主元分析（Kernel pri ncipal component analysis，KPCA）降低特征值维数，实现最优故障特征的提取。最后通 过PSO SVM完成对各种故障模式的分类。对六阶切比雪夫低通滤波器进行了仿真实验验证， 获取了较高的故障诊断准确率，与其他方法进行比较，实验结果显示了本文方法的优越性。     

基于小波尺度函数的WSK-SV算法 及其气动性能预测

提出了一种将小波的尺度函数与SV(support vector)算法相结合的WSK-SV(wavelet scaling kernel-support vector)新算法,并将Daubechies小波以及Shannon小波的尺度函数分别构成尺度核函数,而且分别作为SV算法中一个可容许的支持向量核函数使用.该算法充分利用了Daubechies小波函数的紧支集与正交等特点以及小波的MRA(multi-resolution analysis,多分辨分析),并注意了尺度核函数能够满足Mercer条件.该算法除了具有通常SVM(support vector machine)所具有的优点外,还具有很好的收敛性以及泛化能力,能够有效地提高学习与预测效率.典型算例选取了不同的小波尺度函数,数值计算表明:在一维、二维和三维问题中,这些小波的尺度函数均可以用于WSK-SV算法,进而显示了这个新算法的可行性与通用性.      

基于区域热核不变量的SAR图像变化检测

快速精确地检测SAR图像的变化是SAR应用亟待解决的问题。针对这一问题,提出了基于区域热核不变量的SAR图像变化检测方法。该方法利用图上热核的特征,可以充分发挥图谱理论的优点,且计算简便、矩阵的扰动性小。通过模拟分析研究了热核的特征,并应用于实际SAR图像的变化检测。实验结果表明该方法可以快速精确地检测到变化区域,且其变化检测的精度要优于区域似然比检测方法。     

一种小波变换像空间的再生核

利用一个常用的调制高斯函数作为小波母函数,得到小波变换像空间的再生核函数的具体表达式和小波变换的等距恒等式,并分析了小波变换像空间的结构,为一般的小波变换的像空间的研究提供了理论基础。     

多目标跟踪的核粒子概率假设密度滤波算法

提出一种新的多目标跟踪算法：核粒子概率假设密度滤波算法(KP-PHDF)。算法的创新点在概率假设密度滤波算法(PHDF)的目标状态提取步骤,以粒子概率假设密度滤波算法为框架,并运用结合了mean-shift算法的核密度估计(KDE)理论进行概率假设密度(PHD)分布的二次估计、提取PHD峰值位置作为目标状态估计值。分析与多目标跟踪(MTT)仿真的结果表明,与现有序列蒙特卡罗概率假设密度滤波算法（SMC-PHDF）相比,在相同仿真条件下新算法的估计精度提高30.5%。     

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.      

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.