基于Gram-Schmidt过程的判别变量筛选方法

利用Gram-Schmidt过程,在自变量集合中选择对判别分类解释性最强的信息,删除对分类无显著解释作用的信息以及重复解释的信息,并把挑选出来的解释变量集合变换成若干直交变量.一方面实现了判别分析模型中的变量筛选,同时也解决了自变量多重共线条件下的有效建模问题.在选入变量的过程中运用F统计量检验变量的判别作用,更容易被统计应用人员所接受.为了说明所提算法的合理性和有效性,以Fisher判别分析建模为例,通过仿真数据建模取得了合理准确的分析结论.      

自适应OFDM采样频偏估计算法

修正了基于数据判决的采样频偏估计公式,提出一种自适应采样频偏估计算法,利用离散导频估计频偏变化,从而得到参与估计的数据符号间隔,并且同时使用信道估计结果和接收数据对采样频率偏差进行估计,达到提高估计精度的目的.仿真表明,在高斯白噪声信道下,新算法估计精度比基于数据判决算法和基于离散导频算法高3 dB左右;在多径信道下,新算法的估计精度比其他两种算法提高5 dB以上.实验结果表明,该算法的星座收敛速度快,提高了接收机性能.      

一种电磁层析图像快速重建算法

针对电磁层析成像（EMT）逆问题中,灵敏度矩阵的病态性、不适定性等问题,提出了一种新的电磁层析图像快速重建算法。利用主成分分析（PCA）对灵敏度矩阵做降维映射,再利用奇异值分解（SVD）求广义逆矩阵,重建图像。在选取灵敏度矩阵的协方差矩阵的特征值个数中,利用灵敏度矩阵特有的多样本特性,提出图像相关系数最大化算法,更加合理地去除灵敏度矩阵中的冗余信息,在尽可能不丢失成像特征信息的条件下,提高了解稳定性。实际采集数据成像时,该算法只需一次矩阵乘法运算,为快速实时成像提供了可能。与传统单步算法和迭代算法相比,该算法在成像质量和速度上都有较明显优势。      

应用于MIMO-OFDMA下行链路的分组调度算法

提出了一种基于效用函数的应用于多输入多输出正交频分复用接入 (MIMO-OFDMA, Multiple Input Multiple Output-Orthogonal Frequency Division Multiplexing Access )系统下行链路的分组调度算法.该算法在调度时不仅考虑物理层的信道状况,还利用基站发送缓冲区的状态信息和用户反馈回来的ARQ(Automatic Repeat-request)信息来帮助基站做出调度决策.针对系统中多种业务的不同服务质量(QoS,Quality of Service)要求,分别设计了其效用函数,并将调度决策问题转化成一个系统总效用函数值最大化问题.同时考虑到实际的长期演进计划(LTE,Long Term Evolution) 系统中对子载波共享的限制条件,提出了一种可以降低实际复杂度的启发式算法用于求解该最优化问题.仿真结果表明,该算法不但在保证实时业务用户QoS要求方面要好于传统的调度算法,还能获得较好的系统总容量和丢包率性能.     

基于Laurent分解的星载AIS解调算法

为了适应星载AIS（船舶自动识别系统）条件,提出了一种基于Laurent分解的单通道星载AIS信号解调算法。AIS信号可通过Laurent原理分解成若干调幅脉冲信号,该算法用其中能量最大的2个调幅脉冲信号在接收前端作近似匹配滤波处理,然后采用维特比译码算法对信息码元进行还原。结合实际工程应用,对该算法在低信噪比和混叠信号2种条件下分别进行仿真。仿真结果表明,该算法在2种情况下正确解包率均显著优于传统算法。     

一种基于分组截短PN码的SOFDM信道估计方法

基于PN序列的信道估计方法的特点是计算过程简明,已被广泛应用在地面无线局域网系统中。在卫星正交频分多路复用传输体制(SOFDM)系统中引入传统PN序列信道估计方法的主要问题在于卫星信道的多径延时远大于SOFDM数据符号的持续时间,信道特性比较复杂,使得传统方法的估计精度严重下降。提出了一种改进的方法,根据信道的近似周期特性对数据帧进行合理的等长度分组,并把长PN序列改为短PN码来跟踪信道局部特性的变化,再对分组后的数据子帧分别进行信道估计。对该方法的设计思想进行了理论分析,并通过仿真验证了该方法的估计精度比传统方法至少提高了10倍。     

Space object material identification method of hyperspectral imaging based on Tucker decomposition

Space object material identification method based on Tucker decomposition is proposed and demonstrated experimentally. Space target generally has a low spatial resolution because of the limitation in detection distance. Hyperspectral imaging (HSI) technology can capture the image from visible light to shortwave infrared continuously while providing the spatial and spectral information of the target, thereby introducing a new space target detection and identification approach. However, the data obtained by the HSI system often contain mixed pixels, thereby causing difficulties in target material identification. In this work, a material identification method of hyperspectral data based on Tucker decomposition is proposed by combining mixed spectral theory with tensor decomposition. The feasibility of the method is verified by using satellite model hyperspectral data with different spatial resolutions compared with the endmember obtained from the non-negative matrix decomposition (NMF), independent component analysis (ICA), tensor singular value decomposition (t-SVD). The average CORR of NMF, ICA, t-SVD and the proposed method is 0.2694, 0.5818, 0.6397 and 0.937, correspondingly. Therefore, the proposed method has demonstrated a more remarkable performance in terms of material identification, the analysis results of the material abundance distribution that used the proposed method.     

三维正交机织复合材料单胞特征单元及其应用

 基于三维正交机织复合材料,提出了一种特征单元均匀化分析方法。用“特征单元”来表示能够反映单胞的几何构造细节和材料构造细节的单元。首先用一般有限元方法对三维正交机织复合材料单胞进行分析得到总体刚度矩阵,利用该矩阵的特征向量建立了单胞的特征单元。通过比较特征单元的刚度矩阵元素和利用传统均匀化方法得到的刚度矩阵元素,说明了特征单元能够反应单胞的几何构造和材料构造细节。为了验证特征单元的有效性,分别用特征单元、传统均匀化方法和一般有限元方法计算了三维正交机织复合材料梁的固有频率,结果表明特征单元精度比传统均匀化方法高,而计算量比一般有限元方法大幅度降低。     

含时滞结构线性时变系统伺服机构设计的PGOPO法

采用线性、连续、有界算子－分段广义正交多项式算子对含时滞结构的线性时变系统的线性伺服机构设计问题进行了研究,得到了一种形式简洁、计算精度较Ｗａｌｓｈ函数、块脉冲函数法更高的逼近方法。文中所列举的两个例子充分说明了分段广义正交多项式算子法在时滞系统伺服机构设计中的适用性和有效性。     

航天器非平稳振动环境TVAR时频分析(英文)

Predicting the time-varying auto-spectral density of a spacecraft in high-altitude orbits requires an accurate model for the non-stationary random vibration signals with densely spaced modal frequency. The traditional time-varying algorithm limits prediction accuracy, thus affecting a number of operational decisions. To solve this problem, a time-varying auto regressive （TVAR） model based on the process neural network （PNN） and the empirical mode decomposition （EMD） is proposed. The time-varying system is tracked on-line by establishing a time-varying parameter model, and then the relevant parameter spectrum is obtained. Firstly, the EMD method is utilized to decompose the signal into several intrinsic mode functions （IMFs）. Then for each IMF, the PNN is established and the time-varying auto-spectral density is obtained. Finally, the time-frequency distribution of the signals can be reconstructed by linear superposition. The simulation and the analytical results from an example demonstrate that this approach possesses simplicity, effectiveness, and feasibility, as well as higher frequency resolution.