“田口式质量损失函数”的应用

利用质量损失函数，讨论产品质量波动给社会带来的损失，并将其应用于企业生产中，使企业改进了产品质量，提高了效益。这说明，在质量管理中，解决“质量”问题时，必须把改进质量的焦点移向产品的设计和开发阶段，即从以往的“产品出厂后的检查或加工过程中的控制”的质量观，推向“产品设计阶段的优化”，从“下游管理”转向“上游管理”，使产品设计或加工过程设计成为保证产品质量优化的关键。     

CONSTRUCTIONOFACLASSOFPNSEQUENCESWITHPRIMENUMBERPERIODSOF4t＋1FORM

构造了一类４ｔ＋１型质数周期的伪随机序列。该序列提供了比ｍ（Ｍ）序列更多的可供选择周期数，同时证明了它具有良好的伪随机特性     

基于加权鉴别函数的二进制偏移载波信号跟踪方法

在移除二进制偏移载波（Binary Offset Carrier,BOC）信号跟踪模糊的同时,为了保持BOC信号高的码跟踪精度,提出基于加权鉴别函数（Weighted Discriminator Function,WDF）的BOC信号无模糊跟踪方法。WDF使用非相干超前减滞后功率（Noncoherent Early Minus Late Power,NELP）鉴别器和子载波相位消除（Sub Carrier Phase Cancellation technique,SCPC）鉴别器,生成无误锁点的鉴别函数实现BOC信号跟踪。针对BOC(10,5)信号,仿真结果表明,相比于SCPC、基于伪相关函数的无模糊延迟锁定环（Pseudo correlation function based Unambiguous Delay Lock Loop,PUDLL）方法和对称脉冲模糊移除（Symmetrical Pulse Ambiguity Removing,SPAR）方法,所提WDF方法在码跟踪误差方面分别改善了2.5dB、5.5dB与8.3dB,多径误差分别降为60.4%、32.8%与38.0%。因此,WDF是一种有效的、高性能的BOC信号无模糊跟踪方法。     

S波自旋单态底夸克偶素衰变到粲夸克对

对S波自旋单态底夸克偶素衰变到粲夸克对进行了研究,同时还研究了S波自旋单态和自旋三重态底夸克偶素衰变到D介子对。利用BaBar实验组测量得到的自旋三重态底夸克偶素衰变到D介子分支比的数据,发现自旋三重态底夸克偶素的色八重态矩阵元远小于理论预言,理论预言要比实验上限大20倍以上;得到S波自旋单态底夸克偶素衰变到粲夸克对的分支比的理论预言,可以进行实验测量从而研究色八重态矩阵元;得到S波自旋单态底夸克偶素衰变到D介子对的分支比的理论预言,与其他理论预言差异较大。这些预言可以通过BelleⅡ的实验进行验证,从而得到更多强子化的信息。      

高超声速飞行器预设性能反演控制方法设计

为解决吸气式高超声速飞行器的飞行控制问题,提出了一种新型预设性能神经反演控制器设计方法。通过构造预设性能函数,保证速度跟踪误差和高度跟踪误差能够按照预设的收敛速度、超调量及稳态误差收敛至期望的区域,同时满足系统预设的瞬态性能和稳态精度。在反演控制设计结构下,引入径向基函数（RBF）神经网络对模型未知函数及不确定项进行逼近,提高了控制系统的鲁棒性。引入的RBF神经网络中仅有一个参数需要在线更新,有效提高了控制准确性,避免了通常反演控制方法中经常出现的"微分膨胀问题",并降低了计算量。通过仿真实验验证了所设计控制系统的有效性和可行性。      

LPV模型的动态压缩测量辨识算法

在解决线性参变（LPV）模型的辨识问题上,最小二乘算法以结构简单、计算复杂度低等优点被大量使用。但最小二乘算法辨识结果受制于计算精度和模型近似精度,而这两者在同一个系统中是互斥的。因此,该算法的辨识结果与真值总是存在一定的误差。另外,在高阶LPV模型辨识或采样成本高的情况下,一般模型参数要多于辨识数据,而此时最小二乘算法很难得到稳定的辨识结果。本文提出的动态压缩测量辨识（DCMI）算法从两个方面提高在该情况下的系统辨识精度。其一,利用“匀速变化”及“非匀速变化”模型表示参变函数,以提高模型近似精度。其二,利用压缩感知理论的欠采样能力,在同等数据量的情况下提高参数的计算精度、扩大模型的计算规模。仿真结果表明,基于“匀速变化”模型DCMI算法可以准确地辨识出LPV函数,而且该算法在辨识数据不足的情况下仍然能够获得稳定的辨识结果。      

路网匹配定位方法研究

针对车载惯性导航设备由于其惯性器件随时间漂移产生误差导致系统定位精度逐渐变差的问题,提出了一种路网匹配定位方法以提高车载导航系统的综合定位精度,该方法基于视觉测量原理通过双目摄像装置采集道路周边环境特征进行匹配定位,介绍了匹配定位的基本原理和系统实现所需的关键技术,通过实际跑车测试,验证了该方法的合理性和可行性。     

基于视频的三维人体姿态估计

已有的三维人体姿态估计方法侧重于通过单帧图像来估计人体的三维姿态,忽略了视频中前后帧之间的相关性,因此,通过挖掘视频在时间维度上的信息可以进一步提高三维人体姿态估计的准确率。基于此,设计了一种可以充分提取视频时序信息的卷积神经网络结构,在获得高精度的同时也具有消耗计算资源小的优点,仅仅使用二维关节点的坐标为输入即可恢复完整的三维人体姿态。然后提出了一种新的损失函数利用相邻帧间人体姿态的连续性,来改进视频序列中三维姿态估计的平滑性,同时也解决了因缺少帧间信息而导致准确率下降的问题。通过在公开数据集Human3.6M上进行测试,实验结果表明本文方法相比目前的基准三维姿态估计算法的平均测试误差降低了1.2 mm,对于视频序列的三维人体姿态估计有着较高的准确率。      

结合轮廓及骨架序列编码的二维形状识别

二维形状识别是物体识别中的一个基本问题,被广泛地应用于商标检索、指纹识别、物体定位、图像检索等多个领域。其中,基于生物信息学的二维形状识别是近期一个新的研究方向,基本思想是把二维形状的轮廓转化为生物信息序列,借助标准的生物信息序列分析工具来进行二维形状的匹配和识别。不过,利用轮廓进行信息序列编码存在编码冗余和编码准确性不高的问题,本文提出了一种新型的结合形状轮廓和骨架的序列编码方法。该方法利用骨架表示形状的细长分支,减少编码的冗余;并分别对轮廓和骨架进行不同类型的编码,具备编码简洁、后续匹配准确性高等优点。最后,本文在三个公开数据集上进行大量的形状识别实验,并与多种通用形状识别方法进行了比较。实验表明,本文方法在多个实验中均取得了较高的识别准确率,相比基本的形状特征描述方法,准确率提高了近5%。