基于DPCA算法的星载多通道TOPSAR成像方法

方位向DPCA多通道技术能够提高星载TOPSAR模式的方位分辨率,但TOPSAR回波信号的场景多普勒频谱混叠和方位非均匀采样给多通道TOPSAR成像带来了困难。针对这个问题,提出了一种基于DPCA算法的星载多通道TOPSAR成像方法。该方法通过调整方位向发射/接收子孔径的等效相位中心位置,使等效相位中心分布基本满足均匀采样的要求,同时利用复制拼接的方法解决了TOPSAR多普勒频谱混叠问题,最后利用改进的SPECAN算法完成聚焦成像。该成像方法避免了方位向多通道非均匀采样信号的重构操作,同时复制拼接操作和改进的SPECAN算法避免了方位向数据分块操作和方位时域的扩展。点目标和分布目标的仿真结果验证了提出的成像方法。     

基于NMF、ICA和复Contourlet变换的红外小目标检测

针对存在背景干扰和噪声情况下的红外弱小目标检测问题,提出了一种基于非负矩阵分解(NMF)、独立分量分析(ICA)和复Contourlet变换的检测方法。首先通过非负矩阵分解和独立分量分析分别抑制原始图像的背景,得到不同的小目标残差图像;接着采用复Contourlet变换对残差图像进行去噪;再对上述去噪后的小目标残差图像求和,得到了预处理图像;最后提出基于模糊灰度熵阈值选取方法分割预处理图像,从而实现了复杂背景下的红外弱小目标检测。针对红外小目标图像进行了大量实验,并与基于新型Top-hat变换、基于快速独立分量分析的目标检测方法进行了比较,结果表明所提出的方法抗噪性强,具有更为优越的检测性能。     

一种应用三角内插技术的频率估计算法

Rife和Quinn等基于FFT的频率估计算法性能不够稳定,在部分频率点能获得满意的估计效果,但在其它频点估计性能恶化严重。本文将三角内插技术应用于频率估计,提出了一种新的基于FFT的频率估计算法,能够克服他们的缺点,非常适合于低信噪比条件下卫星通信信号的接收。该算法首先用FFT实现频率的粗估,再应用三角内插技术提高估计精度,最后对估计偏差进行修正,保证了估计的无偏性。仿真结果表明该算法能实现非常精确的频率估计,且估计性能不受信号频率的影响,在各频点上估计方差都非常接近克拉美劳界（CRB）,具有很低的工作门限。与时域估计算法相比,相同估计方差条件下该算法运算量低、易于实现。     

非匀速弹道SAR成像方法研究

非匀速直线弹道成像是弹载SAR领域的核心问题之一。首先构建三维空间中的非匀直弹道模型,通过泰勒近似公式分析运动偏差的来源,并将运动偏差分解成方位偏移、地距偏移和俯仰偏移等三个部分。推导了横向运动和俯冲运动分别引起的地距偏移和俯仰偏移函数,从而得到了对应的运动补偿函数。方位偏移表现为SAR平台在方位向作变速直线运动,回波的数据格式可看成空间非均匀采样的结果。为此,提出了一种利用空间非均匀采样模型替代时域变多普勒模型的成像方法。该算法将变速运动等间隔时间采样的回波数据等效为匀速运动中非等间隔时间采样数据,然后通过方位向非均匀离散傅立叶变换将数据变换到均匀频率域,再完成其它后续的成像操作。完整地推导了非匀直弹道SAR成像的全过程,点目标仿真结果清晰可见,表明了算法的有效性。
     

基于FastSLAM的绳系机器人同时定位与地图构建算法

绳系式移动机器人可用于极端地形的探测,如陡峭斜坡、松软土壤、高耸悬崖、沟壑等。在运动过程中移动机器人的绳索不可避免地与障碍物接触甚至缠绕。由于绳索与障碍物之间的接触点不相互独立以及机器人模型的非线性特性,经典的FastSLAM框架不适用于绳索机器人的同时定位和地图创建（SLAM）问题。提出基于改进FastSLAM框架的绳系机器人SLAM算法。在该框架中,分别利用无迹滤波和粒子滤波解决接触点位置估计和机器人位姿估计问题,并利用非线性观测模型的无迹变换来简化粒子权重更新。仿真结果表明,该算法可有效地估计接触点位置,同时提高机器人位姿估计性能。     

铁木辛柯梁固有振动频率的边界元解法

根据傅里叶变换推导具有两个广义位移的铁木辛柯梁固有振动的基本解.利用加权残量方法,从控制微分方程出发建立边界积分方程,进而根据边界条件得到频率方程,采用代数特征值方法和影响系数方法求解频率,并分析了两种方法的特点.以杆为例证明了对于一维均匀结构,对不同的边界条件利用边界元方法(BEM,Boundary Element Method)都可以得到精确频率.将铁木辛柯梁的BEM结果与有限元结果和精确解进行了比较.     

基于四元数理论的彩色图像脉冲噪声开关滤波

根据四元数单位变换理论定义了一种新的描述彩色图像像素点间差异的距离,该距离可以同时描述两个彩色像素点在强度和色度上的差异.利用该距离和图像边缘的结构性与方向性,构造了一种基于四元数的开关型彩色图像脉冲噪声滤波器.该滤波器对像素点进行4个方向上的噪声检测并仅对检测为噪声的像素点进行滤波.实验表明:该滤波器能够在去除彩色图像中的相关和非相关噪声的同时保护图像细节,同时具有比传统方法更快的执行速度.     

基于小波神经网络的直升机主减速器故障诊断系统

应用离散小波变换(DWT)和神经网络相结合构建直升机主减速器速器故障诊断系统: DWT对振动信号进行特征提取,神经网络对故障进行辨识和分类。阐述了DWT、帕塞瓦尔定理和广义回归神经网络(GRNN)基本理论,提出了直升机主减速器的故障诊断系统流程图,最后用某型直升机飞行时主减速器上的振动数据对该系统进行验证。实验使用了BPNN(back-propagation neural network)和GRNN两种神经网络,结果表明:提出的故障诊断系统能对主减速器故障进行较好的辨识和分类,这将为直升机主减速器故障诊断系统的进一步开发提供新的技术参考。      

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于递推傅里叶变换的飞行器参数在线辨识方法

在线辨识在现代飞行控制系统设计中扮演越来越重要的角色,飞行器模型的在线更新使得人们可以采用更智能的控制方法。基于计算精度和速度的考虑,在线辨识方法通常以递推方式进行,主要分为时域和频域两大类方法。在建立飞行器系统模型结构的基础上,利用频域递推傅里叶变换及最小二乘方法,实现对气动及控制偏导数的在线辨识。针对某飞机纵向通道的在线辨识仿真验证该方法有效,且计算速度和收敛速度快,辨识结果与参数真实值之间的一致性好,方法对传感器噪声有较强的适应性。最后,分析比较了各种典型激励信号对辨识结果的影响,为进行实际在线辨识试验提供了参考依据。