有色噪声补偿下降阶系统状态的最优估计

在大型空间结构的控制系统设计中,降阶系统的状态估计是非常重要的环节,它直接关系到控制器的性能。针对B.Friedland的工作,本文提出了有色噪声补偿模型,在恒等变换下显式地消去了有色噪声项,利用正交投影定理仅对感兴趣的状态分量导出了无偏、最小方差估计。这组递推估计式与采用增广状态方法相比,不仅在处理容量、计算效率上有很大改进,而且是标准Kalman滤波方程的推广。注意到原系统与降阶系统之间的内在联系,本文采用随机系统分析方法,给出了在高斯、马尔可夫假设下,有色噪声模型特征参数的在线识别技术。数字仿真表明,对偏差补偿起主要作用的是有色噪声补偿模型中的驱动白噪声项,这是对B.Friedland工作的发展。     

随机载荷下累积损伤可靠性计算

本文对导弹受随机载荷作用时,考虑载荷在空域和时域上的分布状态,分析了强度累积损伤可靠性计算模型,并列举了算例。     

两自由度球面并联机构动力学分析(英文)

运用旋量理论的方法推导出两自由度球面并联机构的速度、加速度解析表达式,在此基础上依据虚功原理和旋量的互易积形式建立了该机构的动力学模型,得到了两驱动电机的驱动转矩方程.通过对动力学模型的变换,获得了动力学方程的形位空间模式及相关系数.通过一个实例表明,动力学方程中的惯性系数和重力项占有的比重较大,而哥氏力系数和离心力系数占有的比重较小,他们在数值上相差一个数量级.但是否可以忽略后者需要判断速度的大小,只有当机构运动速度较小时才可以将哥氏力和离心力忽略.     

一种用于可靠性参数指标分配的新方法

提出了一种按组成系统的各单元任务失效率比例，并考虑各单元的重要度来分配系统可靠性参数指标的新方法；给出了分别以失效率、平均故障间隔时间表达的分配比例因子及分配公式。该方法是ＡＧＲＥＥ分配法的改进。文末举例说明该方法的应用及其分配结果的合理性     

基于分形理论的混沌信号与噪声分离方法

提出一种分维数和子波重构相结合的混沌信号与噪声分离方法，与以往出现的子波滤波方法和经典滤波方法相比较，该方法有如下特点；利用子波变换计算带观测噪声混沌信号的真实分数维，进而根据观测序列维数与真实维数的差值控制子波重构的参数，构造出混沌与噪声分离的自适应滤波器结构。仿真实验说明了该算法的有效性。     

基于TheoH方差的陀螺随机误差系数动态提取

针对运用动态Allan方差提取陀螺随机误差系数时,用截断窗截取原始信号造成方差估计置信度降低的问题,提出运用混合理论方差(Theo H方差)来代替Allan方差对截断窗内的数据进行分析,并提取出随时间变化的陀螺随机误差系数。Theo H方差改善了Allan方差计算时相关时间只能达到信号总时间的二分之一及长相关时间下方差估计置信度降低的问题,其计算的相关时间可以达到数据总时间的四分之三,有效改善了动态算法因数据截取造成误差系数估计置信度下降的缺陷。从对仿真信号和光学陀螺实测数据处理结果上来看,本文方法既能准确地对动态条件下陀螺量测信号的随机误差进行细化辨识,又能大幅提高中、长相关时间下方差估计的置信度。     

考虑分布参数依赖的风险混合不确定性分析方法

在定量化风险评估中,针对变量分布参数存在依赖时的混合不确定性传播问题,提出一种考虑分布参数完全依赖、部分依赖以及独立传播情形的双层混合不确定性刻画与传播框架,内外层分布参数不确定性分别用概率分布与可能性分布刻画,采用蒙特卡罗模拟法与模糊扩展原则相结合的数值求解方法。针对认知不确定性分布参数依赖性,构建了统一的认知不确定性分布参数依赖性模型,并给出依赖性系数的概念。为实现认知不确定性分布参数独立性采样,设计了基于D-S证据理论与随机集相结合的不确定性传播算法,相比于概率刻画下的双层蒙特卡罗方法,计算代价有效降低。以某型氢氧发动机贮箱共底漏气率为算例,验证本文方法的有效性与可行性。     

俯斜墙背条件下朗肯与库伦土压力理论的研究

从挡土墙抗滑、抗倾覆安全系数和挡土墙的主动土压力两个角度，研究建立在朗肯土压力理论与库伦土压力理论基础上的不同主动土压力计算方法所带来的误差，认为在俯斜的挡土墙墙背条件下，应使用抗滑、抗倾覆安全系数来判断土压力计算方法是否合理。     

基于粗集理论的系统评估

讨论了基于粗集理论的系统综合评估和运用粗集理论进行系统评估指标体系的选择。给出了基于粗集理论进行系统综合评估的一般步骤，研究了运用粗集基本理论进行评估指标体系建立的方法，最后的实验结果验证了本文方法的有效性。     

优化的GM(1,1)模型及其适用范围

在已有灰色理论的基础上,利用“最小二乘法”确定GM(1,1)白化权函数的时间响应函数中的常数c,摈弃了传统GM(1,1)把原始序列中x^(0)(1)作为初始条件的欠科学的做法,构建了时间响应函数的优化模型。经大量的数据模拟和预测,发现优化的GM(1,1)模型各项指标均优于传统的GM(1,1)模型,且拓宽了其适用范围。