ARMA参数识别的预估噪声法

若ARMA模型(B)y_t=θ(B)w_t的驱动白噪声预先给定,则参数的识别是一个线性问题,本文从此观点出发,推导了从已知时间序列{y_t)预估驱动白噪声{w_t}序列的递推算法,由序列{y_t}与递推得到的{w_t}的值,对相关函数作出估计,然后由参数与{y_t}和{w_t}二阶矩的线性关系即可求解出模型的参数,此算法简单快速,并且有良好的精度。     

周期序列正交分解和离散傅里叶级数

本文试图用信号线性逼近的方法和正交分解的理论导出周期序列离散傅里叶级数DFS关系式。推导过程表明,在N维序列空间上,用N维复指数序列集线性逼近任一周期序列,在方均误差最小的条件下,其表达式就是DFS关系式;同时说明,周期序列的DFS部分展开式在方均误差准则下线性逼近误差最小。     

基于高时相探测的运动点目标检测方法

针对可见光探测中低信噪比运动点目标检测问题,提出一种基于高时相探测的运动点目标检测方法,构建了基于双谱分析的目标检测器来提取像元时域特征,对背景像元与目标像元进行区分.仿真分析与实验结果均表明,所提出的方法能够对低信噪比运动点目标进行有效检测,在一定帧频范围内,目标检测能力与采样帧频正相关.相比常用的运动点目标检测方法,本文方法具有更高的检测效能.      

高精度模型下Halo轨道设计研究

针对未来地月L2点Halo轨道空间站长期停泊任务,研究了高精度模型下Halo轨道设计方法。首先,详细推导了圆型限制性三体问题(Circular Restricted Three Body Problem,CR3BP)质心会合坐标系与高精度模型地心J2000坐标系之间的转换关系,并在此基础上,将CR3BP下的闭合Halo轨道转换到地心J2000坐标系得到了高精度模型下Halo轨道迭代初值。其次,采用序列二次规划(Sequence Quadratic Program,SQP)构造多层迭代格式,在高精度模型下对初值进行逐层修正。最后,通过仿真测试,验证了该方法的可行性与有效性。该研究结果可为未来平动点任务标称轨道设计方案的制定提供参考。     

高光谱图像序列中的运动弱小目标检测

高光谱图像序列中包含时域信息和光谱信息的弱小运动目标检测因其在民用和军用中的重要作用而引起了研究人员的兴趣。本文提出了一种新的空时联合异常方法来解决运动弱小目标的检测问题。该方法分别从空间域和时间域利用异常检测算法计算空间异常图和时间异常图。为了检测目标的运动一致性特征,该方法生成了运动轨迹预测图。将空间异常图、时间异常图和轨迹预测图融合后,可以很容易地从背景中检测到感兴趣的目标。该方法被应用于云杂波背景下的空中目标测试数据集。实验结果表明,该方法具有较低的虚警率和较高的检测率。     

高动态条件下星点像斑建模与补偿

高动态条件下星点提取有两个难点：一是暗弱星点目标湮没在噪声中不易识别,质心定位精度较差;二是星点像斑可能断裂,无法用常用的连通域算法提取。针对上述难点,本文建立了高动态条件下星点像斑模型,提出了基于该模型的像斑补偿与质心定位提取算法。该方法分为四步：第一,利用卡尔曼滤波实现星点像斑静态模板的实时迭代;第二,基于静态模型与星点运动模糊模型建立星点像斑动态模型;第三,以动态模型作为模板在恒星跟踪窗口内进行相关性匹配以确定星点像斑位置;第四,基于动态模型补偿星点像斑,并计算质心位置。实验结果表明,该方法能有效解决高动态条件下暗弱星点提取与断裂残损星点修复问题。相比传统算法,姿态精度误差均值减少了40.9%,最大误差减少了81.2%;星点提取率达到100%,提高174.5%,提取星数相比阈值分割与连通域法提高了173%。     

分层缺陷对复合材料层板压缩性能的影响

基于影像云纹法、表面应变测量、分级加载超声C扫描3种观测手段,对含有不同位置、尺寸、数量预制分层缺陷的复合材料层板进行了压缩试验研究,对试验中产生的子层屈曲、分层扩展、层板失稳等现象进行了细致的观察、对比与联系.结合试验结果,总结了3种不同的分层扩展模式,并基于分层扩展模式分析了子层屈曲、层板失稳等现象的产生机理.结合上述试验现象,通过比较临界失稳应力、最终破坏应力、分层纵向扩展范围等试验结果,系统地分析了分层缺陷对复合材料层板压缩性能的影响.研究结果可为复合材料结构损伤容限设计提供依据.      

基于压缩感知的DSSS信号双阶段捕获方法

针对直接序列扩频(DSSS,Direct Sequence Spread Spectrum)信号的捕获性能与硬件消耗或计算复杂度的相互制约问题,基于压缩感知理论,提出了一种双阶段压缩捕获方法,第1阶段进行快速粗捕获,第2阶段在第1阶段基础上实现精确捕获.首先研究DSSS信号的相关域稀疏性,构造了稀疏变换矩阵;然后利用确定性沃尔什-阿达马矩阵,分别构造了2个阶段压缩测量矩阵及其检测算法;最后从检测概率和平均捕获时间两方面对提出算法的捕获性能进行了理论分析,并用蒙特卡罗法进行了验证.理论分析和仿真实验表明,该方法能够在显著降低相关次数的前提下,达到传统基于并行相关方法的捕获性能水平.      

基于深度学习和图匹配的接线图检测与校核

传统的厂站一次接线图的绘制和管理主要依靠电网运行人员,费时费力且缺乏科学可校核的参考标准。提出了一种基于深度神经网络和数字图像处理相结合的厂站一次接线图的自动检测、识别和校核算法。首先,使用目标检测Faster R-CNN模型检测厂站接线图中的电器元件,并达到92%的检测准确率,同时使用端到端的文字检测识别模型识别厂站接线图中的文字信息,并达到94.2%的文字检测准确率和92%的文字识别准确率;然后,使用数字图像处理技术进行厂站接线图连接线、拓扑关系识别;最后,使用改进的VF2算法进行厂站一次接线图和人工维护的厂站一次接线图拓扑关系匹配校核,将拓扑数据抽象为无向图,通过轮廓序号得到元件的相对位置信息,根据改进的VF2算法得到2张图的匹配率,并通过匹配率与设定好的阈值来帮助核验,相比于节点遍历的匹配方法,核验准确率提高了37.5%。基于某供电公司提供的部分变电站的厂站一次接线图标注了接线图电器元件,贡献了一个小型接线图数据集。