一种基于偶极子近场耦合法测量无源互调的方法

无源互调（PIM，Passive Intermodulation）是影响微波通信系统可靠性的关键问题之一。该文提出并实现一种利用近场耦合原理诊断接触结构待测件的PIM测量方法。该测量方法通过缝隙波导激励开口缝隙附近的接触结构，并同时在波导端面接收所产生的PIM信号，从而能方便地对不同物理接触状态的接触结构的PIM产物进行测试分析。并应用电磁商业仿真软件CST对PIM测试工装进行仿真验证，结果与基于偶极子的理论分析结论一致。最后利用铝合金接触结构开展了实验验证研究，获得了三、五阶PIM产物随载波功率的变化特性，实验验证了三阶和五阶PIM产物之差随载波功率降低而增大的变化规律。     

基于双树复小波分解的云量时间序列模型预测

针对传统云量预测模型应用于高分辨率卫星影像云量时间序列数据时存在的实用性差、拟合效果差及预测结果准确度低的问题,提出了一种基于双树复小波分解的云量时间序列组合模型预测方法。该方法利用DT-CWT分解的方法提取出云量时间序列的低频趋势信息和高频随机信息,对低频和高频序列分别应用时间序列分析与Elman神经网络的预测方法,然后将两个序列的预测结果重构得到最终的云量预测结果。实验结果表明,应用双树复小波分解的低频信息可以更好的反应云量变化趋势,高频信息也可以更好的保留云量变化的随机信息。该方法预测结果的平均绝对误差和均方根误差相比传统预测模型均有所减小,预测准确度有所提高,能够更好的拟合高分辨率卫星云量时间序列的变化规律。在卫星成像任务规划时将云量预测的结果作为参考信息,选择云量覆盖较小的时间窗口,可以获取更高品质的卫星有效成像数据。     

复合材料结构损伤的小波神经网络辨识研究

将小波神经网络应用于结构健康监测，研究实现复合材料结构常见损伤的高精度辨识。剖析了小波神经网络的收敛算法，并使用了惯性系数以抑制振荡并提出了一种自适应调整学习率的算法以加快收敛。组建结构健康监测实验系统，进行数据处理和特征提取以获得不同的结构损伤模式。提出了小波神经网络初始权值的设置方法，据此删除了小波神经网络的冗余节点。将该小波神经网络应用在实验获得的各种结构损伤模式的辨识上，验证了它的高精度和快速收敛，并成功实现了复合材料结构损伤状态的辨识仿真。     

基于Kalman光纤陀螺的随机信号处理

分析了光纤陀螺随机漂移的特性,建立了随机漂移的ARIMA模型;针对IFOG输出信号的特点建立了随机漂移的观测方程并用卡尔曼滤波把随机漂移估计出来,用以对IFOG的输出进行补偿.根据时间序列预测的特点和要求,分析了传统时间序列预测方法的不足,提出了将卡尔曼滤波应用于时间序列预测.推导了基于卡尔曼滤波的ARMA模型参数实时更新算法,并采用功率谱密度分析方法确定预测模型的形式与阶数;通过对光纤陀螺随机漂移建模进行了实证研究,对光纤陀螺仪信号处理有着重要的参考.     

基于神经网络的加工误差智能预测技术

通过理论和实验分析了造成加工误差的主要原因，找出并有效地提取体现加工误差原因的加工参数及加工状态特征，如切削用量、刀具直径、顺／逆铣、主轴电流和振动信号等，从而建立加工状态特征与加工误差之间的关系模型。同时叙述了针对ＨＵＲＣＯＢＭＣ－２０Ｌ镗铣加工中心建立的加工尺寸智能预测实验系统，采用多传感器信息融合技术，建立了基于ＲＢＦ神经网络的加工误差智能预测模型。并通过实验验证了此方法的可行性、有效性。     

基于卷积神经网络的雷达辐射源稳健识别方法

针对低信噪比下，基于传统统计特征的雷达信号识别方法对复杂调制信号类型识别性能不高，因而处理复杂度高的问题，提出一种基于卷积神经网络的雷达辐射源信号稳健识别方法。该方法通过提取信号的瞬时相位特征，获得变换域的表征信号，将其作为卷积神经网络的输入，实现雷达辐射源信号的快速识别。针对瞬时相位特征对于信噪比敏感的特点，采用主成分分析方法对信号特征域进行降噪处理，提升模型对噪声的稳健性。通过仿真实验验证了所提出方法在不同信噪比下对7种调制信号类型的识别性能，通过理论分析及不同方法的实验对比，验证了算法具有耗时较短、识别准确率较高、噪声稳健性好等优势，具有良好的工程实用性。     

多载波卫星系统无源互调问题的研究

由于无源非线性而产生的无源互调(PIM)对现代大功率多通道卫星造成了严重危害。本文对多载波卫星系统的无源互调问题进行了研究，根据工程实际应用情况，从多载波角度出发，通过对信号功率谱的分析，得到了关于PIM的频率分布、幅度大小等方面的一些结论。     

小波技术在某型导弹运输转载车振动监测中的应用

主要讨论了基于小波技术的某型导弹运输转载车振动监测信号的压缩问题。对振动信号的小波分解，根据能量分布情况为各层小波系数分配比特数，最后将小波系数进行编码，实现信号压缩。实验数据表明该信号压缩方法可以获得较高的压缩比和信号恢复质量，有较高的实用价值。     

辐射场中金属接触非线性源的无源互调仿真方法

文章提出并验证了一种可以预测被天线接收的金属接触无源互调(passive intermodulation,PIM)幅值的仿真方法。把辐射场中的金属接触界面设置为非线性电流源离散端口,以该非线性电流源作为激励源通过CST场仿真能够获取天线接收端口的PIM响应。通过少量PIM测试结果可以仿真提取待测样(device under test, DUT)的非线性参数,进而仿真预测DUT在辐射场中任意位置的PIM响应。针对铝合金金属接触DUT,首先采用方同轴缝隙天线测试辐射场中某一位置的三阶PIM(third-order passive intermodulation, PIM3)幅值,其次基于场仿真提取了非线性电流源的三阶非线性参数,最后利用确定的非线性电流源仿真预测辐射中不同位置处的PIM3响应,仿真评估和实验测试结果一致。文章为辐射场复杂场景中金属接触PIM的评估及其非线性参数的提取提供了一种可靠且方便的途径。     

基于神经网络在线建模的非线性动态系统中传感器故障检测方法

本文提出一种基于神经网络在线建模的动态非线性系统中传感器故障检测方法，它首先利用神经网络在线建立动态非线性系统的超前一步预测模型，然后利用神经网络对传感器的预测输出和传感器实际输出之差与一预定阈值比较以检测传感器故障。本文的优点是可以检测多个传感器故障，同时由于采用在线学习方式，非常适于航天器自主系统传感器故障检测的需要。此外，故障检测阈值的选取也比较简单。为了验证本文方法，仿真了一控制系统中同时发生漂移故障的两个传感器故障检测过程。结果表明，方法十分有效。     

一种利用泛函网络进行导航卫星钟差预报的方法研究

为提高导航卫星钟差预报的精度和实时性,提出一种基于多项式和泛函网络相结合的钟差预报方法。该方法首先根据卫星钟的物理特性用多项式进行拟合,并用泛函网络对多项式拟合残差进行建模,其中泛函网络的结构是通过小波降噪及相空间重构的方法确定。最后以GPS卫星为例,进行四组短期预报实验。结果表明,所提方法能够实时有效地对导航卫星钟差进行拟合和预报,且精度优于IGUP星历。     

一种基于小波和人工神经网络的故障检测与诊断方法

提出了一种基于小波和人工神经网络的故障检测与诊断的方法，该方法利用小波包分解的精确细分的特点，分别对正常系统和故障系统的采样信号进行精确特征提取，并构造一系列基于信号能量且具有表征系统状态能力的特征向量，然后利用人工神经网络分类器对系统在各种状态下的特征向量进行分类决策，从而实现对系统的故障检测与诊断。     

基于统计参数分析和RBF网络的动调陀螺故障诊断方法

针对动调陀螺故障振动信号的特点,提出了一种基于振动统计参数分析和神经网络的动调陀螺故障诊断方法.该方法通过计算原始振动信号的一组统计参数作为表征故障的特征信息,以此作为RBF神经网络的输入参数来学习并识别陀螺故障.实验结果表明,采用对统计参数的计算能够简单、有效地提取陀螺故障特征信息;运用神经网络进行故障诊断建模,使诊断具有自适应、自学习的能力,诊断结果更加可靠.     

一种新的自适应消噪方法

基于小波变换的自适应消噪方法为雷达信号的滤波提供了一种可行的办法。考虑到离 散小波变换(DWT)不具有平移不变性,而静态小波变换(SWT)又不能很好地分析信号的高频 部分,提出了一种新的自适应消噪方法。它根据CWT的提升方法,得到静态小波包的提升 实现方法,并设计出适合本系统的确定最优小波包分解树的相应步骤,利用引入了更多动量 因子的权系数迭代公式对各子带进行自适应匹配,并将匹配结果二次自适应,得到拟合的原 信号。仿真中将其与其它两种基于小波的自适应方法进行了比较,表明该方法可在适当减小 计算量的同时,进一步改善系统的滤波性能。     

一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。     

基于最优估计神经网络的惯导系统初始对准研究

本文研究了一种基于卡尔曼滤波原理权值更新的多层神经网络学习算法，对此算法进行了详细的推证，并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性，既可获得与卡尔曼滤波器相同的对准精度，又提高了系统的实时性。从而得到了利用神经网络解决惯导系统初始对准问题的一种有效算法。     

扩频通信系统中窄带干扰抑制技术的研究

提出一种基于小波包变换抑制窄带干扰的简化方法,利用直接序列扩频信号的功率谱密度分布特点和能量聚集度准则,快速、有效地跟踪输入信号频谱的变化,从而对扩频信号中的干扰进行快速定位;通过自适应改变权系数的方法实现对强、弱窄带干扰的分别抑制。仿真结果表明,这种自适应干扰抑制法既可以有效地清除快速时变的强窄带干扰,又可在处理其他类型干扰时避免或减小有用信息的损失,从而大大提高了直接序列扩频系统在复杂干扰情况下的抗干扰性能。     

基于模糊神经网络的涡结构识别方法研究

研究气动光学传输效应产生的机理是红外成像末制导的共性基础技术之一,基于涡结构对光学传输效应进行建模是一种非常有效的方法,而涡结构的识别是其必要前提。文中提出一种新的涡结构识别方法,把折射率场经小波变换后的系数矩阵等效为具有一定纹理结构的图像,计算图像的共生矩阵及其统计量,由于涡结构模式复杂,特征量较多,设计了等价结构的模糊神经网络进行涡结构识别。与小波分解后直接提取特征量的识别方法相比,本文的方法从空、频角度更加准确全面地表征湍流涡结构模式,计算机仿真结果表明该方法优于神经网络的识别效率。