飞航导弹分层滑动模控制

对 １ 个二层的非线性模型进行了仿射型化,使块对角结构具有分层仿射型特点,提出了滑动模块对角控制器的设计方法,实现了飞航导弹的非线性控制系统的设计。仿真结果表明,这种设计方法对模型参数变化具有很强的鲁棒性。     

谐波信号四阶累积量中所含信号信息研究

研究了谐波信号四阶累积量，发现它比二阶、三阶累积量所含信息更丰富。它可以分析出谐波信号各分量间频率及相位存在的三种关系：频率（相位）双对耦合、频率（相位）三次耦合、频率（相位）相互独立，这三种关系在多次谐波信息中可能同时存在，也可能存在一种或两种。此外，当有频率耦合时，还可提供信号的相位信息。为了简化计算，本文着重研究了四阶累积量对角切片及其频谱，并用仿真实例验证了不同频率（相位）耦合关系对四阶累积量的谱值产生不同影响这一结论的正确性。     

基于QDRNN网络的航空发动机多变量解耦控制

针对航空发动机非线性模型的复杂性,通过对准对角递归神经网络(QDRNN)及梯度下降法(GMD)的分析,研究了基于QDRNN网络的航空发动机多变量解耦PID控制系统.阐明了该算法的结构和原理,通过对设计点及非设计点的仿真.研究表明,QDRNN网络结构相对简单,易于构造训练算法,较好地解决了双变量控制系统中变量之间的耦合作用.      

STAP中采样支持问题研究

在机载雷达空时二维自适应处理 (STAP)中 ,足够数量的IID采样数据才可以构成杂波相关矩阵的有效估计 ,而实际雷达工作环境中的采样数总是有限的 针对这一问题 ,提出了将前后平均 ,对角加载 ,与降维处理相结合来降低采样数目要求 ,解决采样支持问题的方案 ,并进行了理论分析与仿真。显然 ,通过采用适当的降维处理与前后平均及对角加载相结合 ,所需采样数最多可降低到仅用 3～ 5个     

一种新的稳健Capon波束形成算法

 针对常规Capon波束形成算法在期望信号导向矢量失配情况下性能的急剧下降,研究了一种新的基于导向矢量不确定集的稳健Capon波束形成算法。该算法通过对阵列接受信号的相关矩阵进行特征分解获得噪声子空间,使期望信号导向矢量在噪声子空间的投影最优。并且利用特征向量的结构特性推导出了最优对角加载量的解析表达式。仿真结果表明了理论分析的正确性和算法的有效性。     

基于BDS-GD的低截获概率雷达信号识别

针对在信号特征提取与识别中使用双谱估计数据量大、维度高的问题,提出了双谱对角切片（BDS）与广义维数（GD）相结合的识别方法。通过提取信号双谱对角切片减少数据量,并利用多重分形理论中的广义维数降低数据维度,对切片内部特性进行细微描述,基于距离测度提出特征评价指标,从而选出最具有区分度的3个阶数对应的广义维数作为特征向量,输入到最小二乘支持向量机中进行分类识别。使用4种低截获概率（LPI）雷达信号作为待识别信号,仿真结果表明,本文方法提取的信号特征在特征空间中有良好的聚集性和离散性,在0 dB信噪比下,识别准确率能达到92.2%,与选取的其他方法对比说明其具有很好的识别性能。      

求解非稳态对流占优问题的非标准无网格Galerkin方法

用θ加权法离散时间域,并将四种稳定化方案与无网格Galerkin方法相耦合进行空间域的离散。在无网格Galerkin方法中,采用线性基和具有连续的权函数,基于移动最小二乘法构造了高阶导数连续的形函数,从而避免了有限元方法中采用线性元插值时,因忽略稳定项中二阶导数项而降低计算精度的问题。数值计算表明:本文构造的方法成功地消除了非定常对流扩散方程中对流项占优时的数值伪振荡现象,并具有计算精度高、稳定性好、算法实施简单、前后处理方便的优点。特别是所构造的MFLS方法非常适宜于求解非定常的对流扩散方程。     

改进节点积分的无单元Galerkin法及其在流动问题中的应用

无单元Galerkin法需要在背景网格上积分,计算量大,且在求解对流占优问题时会出现非物理的数值伪振荡现象。为此,基于局部Taylor展开思想,采用节点处的局部Taylor展开计算积分,建立了局部Taylor展开积分无单元Galerkin法。该方法同时解决了标准的无单元Galerkin法计算量大和对流占优时会出现数值伪振荡的问题。一维定常对流扩散方程和二维Burgers方程的求解说明了该方法的有效性,且计算效率远高于无单元Galerkin法。     

基于块对角投影表示的人脸识别

针对大多数特征表示算法在挖掘高维数据内在结构时容易受到噪声的影响,以及特征学习与分类器设计割裂导致分类性能降低的问题,提出了一种新的基于特征表示的人脸识别方法,称为块对角投影表示（BDPR）学习。首先,利用样本信息对每类样本的编码系数施加一个加权矩阵,通过局部约束来加强表示系数之间的相似性,从而降低噪声对系数学习的影响,使所提方法能够更好地保持数据的局部结构。其次,为了实现数据与编码系数相关联,降低表示系数的学习难度,构造了块对角化判别约束项来学习一个判别投影,通过投影从低维数据中提取样本表示系数,使系数包含更多的样本间全局结构信息且具有更低的计算复杂度。最后,将系数学习和分类器学习整合到同一框架下,同时增大不同类别样本间的“标签距离”,采用迭代求解的方式交替更新判别投影和分类器,最终得到最适合当前表示特征的分类器,使得所提方法能自动完成分类。多个公开的人脸数据集上的实验结果表明:较之传统的协作表示分类和多个主流的子空间学习方法,所提方法均取得了更优的识别效果。