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。     

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。     

非等间距相关系数平稳序列分析方法

工程实际中由于数据缺损或受测试条件所限,常常得到非等间距的时间序列。而传统的时序分析方法只适用于等间距采样的数据,目前工程上对这类问题通常采用插值等近似处理方法,这往往导致较大误差。本文提出非等间距相关系数平稳序列的概念,建立了非等间距相关系数平稳序列自回归模型,给出了非等间距相关系数AR(p)序列的精确极大似然估计和条件极大似然估计,能够高精度地确定非等间距序列的均值函数、方差函数和相关系数函数。      

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。      

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.     

应用时变参数建模方法辨识时变模态参数

 应用非平稳时间序列的时变自回归建模方法进行了参数随时间变化的线性系统模态参数的辨识。对线性时变系统在白噪声激励下振动响应的非平稳时间序列进行建模。通过引入基函数将非平稳过程的辨识问题转化为线性时不变过程的辨识。结合信号时频变换确定模型阶次, 通过时变的伯格尔( Bur g) 算法对时变的自回归(AR) 模型系数和时变结构模态频率进行了估算。通过对刚度随时间变化的三自由度系统模态频率的仿真辨识, 验证了辨识方法的有效性。     

基于时变TVAR模型和CKF滤波的助推器落点预测

为解决助推器难以精确回收的问题,提出了一种容积卡尔曼滤波(CKF)和时变自回归(TVAR)模型融合的助推器落点预测方法。针对外弹道观测数据的非平稳时序特点,利用TVAR模型对其建模,预测助推器脱落时和助推器落地之间一段时间的未来测量值,以离散化质点弹道模型作为状态方程,将未来测量值作为CKF滤波弹道位置估计的测量值。为普适非平稳序列,考虑时变TVAR对非平稳时间序列的时变参数和模型阶数的确定。该方法是预测助推器落点滤波外推法的一种新实践。实验数据结果表明,TVAR预测助推器落点与TVAR-CKF融合预测的助推器落点相比,融合后预测的结果与实际测量的助推器落点的偏差更小,可为实际应用提供参考。     

分拆大偶数为两个几乎相等的素数之和

我们称n =p+q 为偶数n的最平衡哥德巴赫分拆 ,其中 p与 q均为奇素数 ,p≤ q且 |p - q|取可能的最小值。根据哥德巴赫猜想 ,对于每个大于或等于 6的偶数 ,必存在其最平衡哥德巴赫分拆。本文通过对 10 7以内的偶数进行的数值计算 ,进一步提出如下猜想 :由所有 (≥ 6的 )偶数之最平衡哥德巴赫分拆产生的三组比值 p/q ,p/n 以及 (n/2 -p) /n的均值 ,分别具有极限 1,1/2及 0。     

用最小二乘拟合残差统计观测数据的误差特性

本文介绍了用最小二乘曲线拟合残差来统计观测数据误差特性的方法。当观测误差时间序列不是白噪声而是相关噪声时,它不仅可以统计误差序列的方差,还可以统计相关系数。文章还介绍了通过统计假设检验确定拟合曲线多项式阶数的方法,并首次用于对实测数据的检验,得到了令人满意的结果。     

一种新的基于ANSYS的机翼挠曲变形建模方法

针对传递对准中机翼挠曲变形建模方法适用性差的问题,提出了一种基于有限元分析的不同挂点处弹载子惯导系统的机翼挠曲变形建模方法。以柔性较大的大展弦比机翼为研究对象,建立了薄蒙皮、双翼梁、多肋板式机翼模型。通过绕流分析得到的机翼上、下表面压力分布云图,在此基础上对机翼结构进行气动载荷的加载。根据ANSYS瞬态动力学分析,获取了机翼挠曲变形角的随机过程序列,并利用AR(n)模型代替ARMA(p,q)模型进行建模。采用一种改良卡尔曼滤波算法对模型参数进行估计,并利用信息准则对模型的适应性进行检验。根据参数辨识的结果,最终得到了机翼的挠曲变形模型。     

利用α稳定分布的小波域SAR图像降斑算法

提出了一种改进的合成孔径雷达(SAR)图像α-MAP降斑算法,通过采用厚尾α稳定分布和引入噪声方差调整系数的方法,可以获得更好的降斑和纹理保持效果,同时应用平稳小波分解来解决Gibbs效应引入的伪噪声问题。最后通过对实际SAR图像的降斑处理,对本文的算法与最新的小波软阈值算法以及传统的局部自适应滤波器在性能参数和滤波效果上做了全面的比较。试验表明本文的算法更具适应性,实现了降斑与纹理保持更有效的综合滤波,在性能参数和复原图像效果上都有较好的表现。     

用二次相关提高超声测风精度和噪声抑制性能

以超声测风为应用背景,对基于相关法的时延估计性能进行分析,指出其存在的问题。利用发射信号为已知这一先验信息,提出了二次相关估计时延的解决方法。仿真结果表明,在相同的信噪比下,与相关法相比,二次相关法能够利用先验信息,提高了时延估计的正确率,并能改善系统6dB以上的噪声抑制性能。最后,对二次相关法的运算量进行了分析,并分别以TI TMS320C5000系列DSP处理器和Ahera CycloneⅡ系列FPGA作为硬件平台,估计了该方法在这两种平台上的处理时间,得出了该方法可满足实时处理的结论。     

Nonlinear theory of the two-point correlation function

We consider the influence of the nonlinear stage of gravitational instability on the two-point correlation functions of gravitationally bound objects. Based on the theory of nonlinear gravitational contraction of a single density peak of dissipationless matter (Gurevich and Zybin, 1988a,b; 1990) we develop a method for calculating the two-point correlation functions of different objects of any mass. The method works good in the region of strong correlations and can be easily extended to calculate higher correlation functions. We show that the main contribution to the correlation function _i in the region of strong correlations _i 1 is made by pair systems located outside large clusters of objects. In this region the shape of _i is determined only by the nonlinear dynamics of gravitational contraction of dissipationless matter and has the form _i C ^–, where 1.8 is a universal parameter.     

弹道中段目标质心位置估计

 质心在目标上的位置是弹道中段目标的重要进动特征,也是目标的质量分布特征,可用于识别弹头和诱饵.针对旋转对称目标,提出了基于窄带雷达回波相位特性的质心位置估计方法.首先,选取目标对称轴上的任意点作为质心位置参考点,定义相应的质心位置参数,并构造以该点为相位参考中心的全姿态散射系数模板;然后,对窄带雷达回波采样序列进行相位匹配变换,搜索匹配函数的最大值,从而得到质心位置参数的估计值.仿真结果表明了该方法的有效性.     

IDENTIFICATION OF NONLINEAR PROPERTIES OF AN AIRCRAFT LANDING GEAR SHOCK STRUT

ＩＤＥＮＴＩＦＩＣＡＴＩＯＮＯＦＮＯＮＬＩＮＥＡＲＰＲＯＰＥＲＴＩＥＳＯＦＡＮＡＩＲＣＲＡＦＴＬＡＮＤＩＮＧＧＥＡＲＳＨＯＣＫＳＴＲＵＴＺｈａｎｇＺｅｎｇｃｈａｎｇ；ＺｈａｎｇＪｉａｎｇｊａｎ（ＩｎｓｔｉｔｕｔｅｏｆＶｉｂｒａｔｉｏｎｎＥｎｇｉｎｅｅ...     

Satellite lithium-ion battery remaining useful life estimation with an iterative updated RVM fused with the KF algorithm

Lithium-ion batteries have become the third-generation space batteries and are widely utilized in a series of spacecraft. Remaining Useful Life (RUL) estimation is essential to a spacecraft as the battery is a critical part and determines the lifetime and reliability. The Relevance Vector Machine (RVM) is a data-driven algorithm used to estimate a battery’s RUL due to its sparse feature and uncertainty management capability. Especially, some of the regressive cases indicate that the RVM can obtain a better short-term prediction performance rather than long-term prediction. As a nonlinear kernel learning algorithm, the coefficient matrix and relevance vectors are fixed once the RVM training is conducted. Moreover, the RVM can be simply influenced by the noise with the training data. Thus, this work proposes an iterative updated approach to improve the long-term prediction performance for a battery’s RUL prediction. Firstly, when a new estimator is output by the RVM, the Kalman filter is applied to optimize this estimator with a physical degradation model. Then, this optimized estimator is added into the training set as an on-line sample, the RVM model is re-trained, and the coefficient matrix and relevance vectors can be dynamically adjusted to make next iterative prediction. Experimental results with a commercial battery test data set and a satellite battery data set both indicate that the proposed method can achieve a better performance for RUL estimation.