MPEG-4视频DCT量化模块的FPGA实现

介绍了一种采用FPGA技术实现MPEG-4 ASP级视频DCT量化模块的设计方案。该模块包括二维DCT／IDCT、量化／反量化和帧内直流／交流(DC／AC)预测。用VHDL进行描述并通过模拟试验表明,该模块可在880个时钟周期内处理完一个宏块的数据,工作频率达到40MHZ。文章采用全硬件实现方法,提出了各模块的硬件电路结构设计,减少了电路规模。     

从成都机场800兆运营谈民航集群通信的发展

按全国民航的统一规划，西南空管局于1996年引进了美国MOTOROLA公司的800兆SMARTNET Ⅱ型模拟集群通信系统，全系统于1997年1月正式启用为成都双流国际机场提供无线调度通信服务。九年来，由我局通信网络公司负责管理的该集群系统运营良好，以其卓越的无线通信性能和可靠的技术支持受到了机场各业务用户的信赖和赞誉，大大改善了成都机场的地面无线电通信条件，提高了驻场航空公司以及民航各保障部门的调度与指挥效率，为确保成都民航飞行安全奠定了坚实基础，也为全民航集群通信发展提供了宝贵经验。     

固体推进剂贮存寿命非破坏性评估方法(Ⅲ)——预测残留寿命延寿法

从动力学理论分析入手,结合推进剂老化特征参数的研究结果,研究了用非破坏性手段预估固体推进剂残留寿命的方法。动力学理论分析表明,反应活化能是老化温度的函数,活化能对老化温度存在线性依赖关系,且活化能对老化温度的依赖关系和指前因子对老化温度的依赖关系是等效的。研究结果表明,影响推进剂寿命的应力问题也可以转化为动力学问题来处理,且应力对推进剂寿命的影响显著。利用新推导的4参数动力学公式,结合适宜的特征参数,建立了预估推进剂残留寿命的非破坏性方法,该方法可用于到期导弹的延寿。     

固体推进剂贮存寿命非破坏性评估方法(II)——动态力学性能主曲线监测法

对动态力学性能和静态力学性能的关系进行了理论分析,认为二者之间存在对应关系。通过对采用动态力学分析(DMA)法得到的动态储能模量主曲线和材料试验机得到的静态松弛主曲线进行对比,验证了这种关系。提出了根据动态和静态力学性能关系,利用动态储能模量主曲线得到静态松弛模量和静态强度,以评估推进剂老化状态的非破坏性方法。预测值和实测值的比较结果显示,该方法能够较好地评估推进剂的寿命状态。     

煤体变形局部化的梯度塑性理论研究

本文采用白光数字散斑相关方法对煤在单轴压缩下变形破坏进行研究,定量的测出了煤的变形局部化带宽度.并通过应变梯度塑性理论,在屈服函数中引入应变梯度二阶项.采用Drucker-Prager准则解析得出了煤试件的变形局部化带宽度公式并根据试验确定煤的材料内部长度.     

基于全解耦奇偶方程的动态系统执行器故障检测与识别

给出了基于全解耦奇偶方程的动态系统执行器故障的检测与识别方法。讨论了全解耦奇偶向量的产生方法,给出了全解耦奇偶向量的存在条件,并结合卡尔曼滤波方法得到了故障模型参数的估计方法。最后给出了仿真实例。结果表明,全解耦奇偶方程方法能估计出动态系统执行器故障模型。     

基于小波包变换及相关系数法的复合材料层合板冲击位置识别研究

复合材料较为广泛应用于航空、航天等工程领域,但对冲击载荷十分敏感。因此,对复合材料结构承受的冲击载荷进行在线监测以及冲击位置的实时识别具有重要意义。文章以复合材料层合板为研究对象,基于两个冲击位置的距离越靠近则接收到信号幅频特性相似度越高的特点,采用FBG光纤光栅传感器,通过小波包变换的方法来提取能量特征向量,同时结合相关系数法来实现复合材料层合板的冲击位置识别。在480 mm×480 mm的复合材料层合板上开展冲击实验,8次实验皆完成了冲击位置识别,其中7个点距离误差为0 mm,实现精准识别,另一个点误差在6%以内。     

壳体内腔大深度T型刀加工方案分析

对于外形、内腔结构复杂,零件体积大,材料去除率高等特点的壳体,锻件加工要求所编制的数控程序异常复杂,数据庞大,手工编程难以编制程序。采用UGCAM作为编程手段,利用3维实体辅助编程技术解决此类问题。     

锅炉分层给煤装置的机理及效果分析

影响锅炉热效率的因素有多种，其中最主要的有两点：一是煤的燃烧状况，一是炉膛的换热环境。本文从煤层结构对燃烧状况的影响这个角度分析了分层给煤装置的优点和不足，并提出了几点改进方法。     

FAST FEATURE RANKING AND ITS APPLICATION TO FACE RECOGNITION

A fast feature ranking algorithm for classification in the presence of high dimensionahty and small sample size is proposed. The basic idea is that the important features force the data points of the same class to maintain their intrinsic neighbor relations, whereas neighboring points of different classes are no longer to stick to one an- other. Applying this assumption, an optimization problem weighting each feature is derived. The algorithm does not involve the dense matrix eigen-decomposition which can be computationally expensive in time. Extensive exper- iments are conducted to validate the significance of selected features using the Yale, Extended YaleB and PIE data- sets. The thorough evaluation shows that, using one-nearest neighbor classifier, the recognition rates using 100-- 500 leading features selected by the algorithm distinctively outperform those with features selected by the baseline feature selection algorithms, while using support vector machine features selected by the algorithm show less prominent improvement. Moreover, the experiments demonstrate that the proposed algorithm is particularly effi- cient for multi-class face recognition problem.