基于改进PCA的DOA估计方法

阵列信号处理中,MUSIC等高分辨率DOA估计方法都要通过特征值分解来获得波达方向估计,然而矩阵特征值分解的计算量较大,不利于实时处理.提出一种改进的PCA(principal component analysis)迭代算法,来逼近信号子空间.仿真实验表明该算法在估计弱信号时性能要比MUSIC算法好,且计算量要小得多.     

弹道导弹预警系统目标运动建模和类型识别

针对弹道导弹预警系统的识别任务,建立了弹道导弹和飞机类目标的运动模型,通过分析弹道导弹和飞机目标间的运动特性差异,采用灰色关联分析方法建立了目标类型识别模型,给出了进行目标类型识别的具体步骤.具体的算例验证了基于灰色关联分析的目标类型识别模型应用于目标识别的可行性和有效性.     

基于RS-CART决策树的航空发动机小样本故障诊断

针对CART(classification and regression tree)分类决策树构建过程中由于小样本集特征维数高及噪声等造成的过拟合问题,在CART决策树算法训练过程中引入基于互信息的粗糙集(rough sets,RS)属性约简,考虑信息熵与基尼(GINI)系数刻画样本集“纯净度”的相似关系,对历史故障数据进行属性约简,降低属性维度以优化训练集,在此基础上构建分类决策树,可视化输出规则。实验结果表明:将改进的CART决策树算法应用于某型航空发动机油液故障诊断,提取的规则可解释性强,能够减小冗余属性及噪声对决策的影响,与常用故障诊断算法相比,该模型的诊断准确率提升20%左右,AUC(area under curve)值高达92%,可以有效处理高维离散型航空发动机小样本故障问题。     

一种改进的近似支持向量机算法

标准近似支持向量机受类别差异影响和噪声、野值数据干扰较重,使得分类能力不高.提出一种改进的近似支持向量机算法——加权近似支持向量机,通过为不同类别设定不同的惩罚参数和为每个样本引入模糊隶属值,有效补偿类别差异带来的倾向性并去除噪声和野值数据的影响.模糊隶属函数的选取采用样本与类中心的距离和样本紧密度的加权平均值计算,以有效去除噪声和野值数据的干扰.经过分析,改进后的算法可近似归结为一种岭回归模型.实验表明,与标准近似支持向量机相比,该算法有更好的分类能力.      

基于顶点分类的曲面三角网格模型自适应光顺研究

逆向工程中由测量数据得到的三角网格模型往往含有大量的噪声、扰动及不规则三角片，需对其进行光顺处理，以满足后续处理的使用要求。本文首先提出了一种新的网格模型顶点法矢计算公式，该公式采用网格模型中三角片面积与顶角角度综合加权，可同时反映三角片面积与顶角角度对顶点法矢的影响。在此基础上，对网格模型顶点进行了分类处理，提出了能够反映网格顶点特征性质的顶点势概念。势为1的点为特征点，势为0的点为普通点。最后，提出了一种新的自适应曲面三角网格模型光顺方法，综合了普通拉普拉斯光顺法与平均曲率法的优点。在该方法中，顶点调整方向为拉普拉斯光顺矢量在被调整顶点切平面上的分量与该点法矢的加权合成；顶点调整幅度根据顶点类别的不同而不同，特征点的调整幅度小，普通点的调整幅度大，从而可保护原有特征。实例表明，与现有方法相比，该方法在有效去除噪声，匀化三角片的同时，充分保留了初始网格模型上的特征。     

超细粉碎加工技术现状

超细粉碎加工技术是一门涉及机械、材料、粉体工程以及力学等多学科领域的高新技术。本文主要介绍了超细粉碎加工中的粉碎以及分级技术，并从超音速气流粉碎技术的角度对其研究现状进行了分析。最后，概述了超细粉碎加工技术的应用前景。     

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。     

航空公司收益管理研究综述

回顾了航空公司收益管理40余年来的发展历程，简述了超售的基本原理和方法，分析比较了现有的各种预测方法，指出增量法是目前比较稳定的方法。详细介绍了现有的座位分配模型，将现有模型分为静态和动态两大类．并指出动态网络优化是未来的发展方向。最后认为，今后的研究方向将集中在4个方面：更稳健的预测方法、自动程序设计、网络优化、系统集成。     

一种基于 KFCM的 SVM遥感图像机场目标分类算法

在遥感图像机场目标分类方面,支持向量机(SVM)有着广泛的应用,但由于样本不平衡问题以及不确定性数据的存在,传统SVM算法的分类精度与效果还无法令人满意。为提高传统SVM分类器的性能,文章将建立在模糊理论基础上的模糊核C-均值聚类算法(KFCM)用于处理遥感数据的不确定性问题,并通过聚类分析后的目标子图,剔除非目标样本的同时保留了目标样本,较好地解决了样本不平衡问题。将基于KFCM的SVM分类算法用于遥感图像机场目标的分类,实验结果和性能分析表明该算法分类性能优于传统SVM算法。     

一种地震动信号特征提取与分类方法

为了实时检测、识别和预警对地下基础设施的挖掘破坏活动,本文提出一种地震动信号特征提取与分类方法。通过提取小波包变换域和集合经验模态变换域的多域能量联合分布特征向量,构建改进的径向基神经网络分类模型,利用机器学习的方法提取稳定的信号多域融合特征,并实现准确的信号特征分类预测。由多类别挖掘信号的仿真实验结果可以看出,本文的算法和模型能有效提升地震动信号分类的准确率,对地震动干扰信号具有较强的鲁棒性。