多包传输网络控制系统的建模

作为系统分析和设计的基础,对网络控制系统建立合适的模型,意义尤显重要。本文对广义被控对象进行了分析,考虑了延时、系统噪声和数据包丢失的情况下,用一种统一的形式,建立了多包传输网络控制系统的模型。在系统中,传感器采用时间驱动方式,控制器和执行器采用事件驱动方式。这些模型的建立有利于网络控制系统的分析和网络控制系统控制器的设计。     

复合材料散斑检测中的小波降噪技术

电子剪切散斑干涉检测技术非常适宜复合材料的无损检测。但散斑图像往往含有较大的噪声,如何对散斑图像进行降噪处理是一个非常重要的问题。小波变换是变分辨率的分析方法,可以有效地降低噪声,而同时又较好地保存了图像细节,本文应用小波降噪技术来对散斑图像进行降噪处理,取得了较好的效果。     

涡扇发动机高空起动性能模拟

用部件法建立双轴混排不加力涡扇发动机高空起动模型,并采取迭代法进行求解,仿真计算时考虑了发动机高空起动时的高低压转子匹配关系以及起动初猜值的选取,解决了迭代法对初值敏感的问题,仿真结果表明所建立的模型有较快的收敛速度并能较准确地模拟高空起动过程。     

基于连续小波变换的飞行器结构模态参数辨识

给出了一种基于连续小波变换的多输入多输出MIMO(Multiple-Input Multiple-Output)飞行器结构模态参数的辨识方法.对结构离散运动方程进行连续小波变换建立了小波域内的系统AR(Auto Regression)模型,AR模型的系数矩阵决定着系统的动力学特性,可以通过最小二乘法求得.模态参数可以通过求解由AR系数矩阵构成的特征矩阵的特征值来获得.与已有基于小波变换的模态参数辨识方法相比,该方法应用了连续小波的时移共变性和小波变换的滤波能力来确保辨识的效率.在辨识过程中,采用优化算法提高了辨识的精度和稳定性.算例仿真结果表明该方法具有较高的计算精度和稳定性,能用于飞行器结构模态参数的辨识.      

改进的帧内帧间模式选择快速算法

为提高I帧和P帧的编码效率,H.264视频编码标准采用多模式帧内预测和多子块模式帧间预测,并选择率失真最优的模式进行编码,导致编码复杂度很高.为此,提出一种基于小波变换的帧内模式快速选择结合帧间预测下帧内模式预判断的算法.利用小波变换后的低频子图做帧内模式选择,由此预判断宏块中每个4×4子块可能的预测模式,使原来9次的代价函数计算减少到平均3.75次;使用去均值的差值平方和,预判断宏块是否选择帧间预测下的帧内编码模式,减少P帧编码时间.实验表明,改进算法在峰值信噪比降低不超过0.0644dB的情况下,编码速度平均提高19%左右.      

航天测量船外测数据的滤波算法

航天测量船在航天测控中占有非常重要的地位,为提高航天测量船外测数据的光滑度,在小波滤波和样条函数滤波的基础上,通过建立分解尺度和阈值的选取原则,提出了船载外测数据的滤波算法.该算法在滤波的同时,成功地分离出随机误差和船摇修正残差,显著地改进了现有的船载外测数据修正结果.实例和仿真结果表明这是一种比较理想的船载外测数据滤波算法.     

一种空间目标RCS序列的姿态异常检测方法

准确、快速判断空间目标姿态运动模式异常,对于空间目标监测具有重要意义。针对空间目标雷达散射截面 (Radar Cross Section,RCS)序列,提出一种基于小波包分解（Wavelet Packet Decomposition,WPD）能量谱特征的无监督机器学习异常检测方法,并采用单类支持向量机(One Class Support Vector Machine,OCSVM)验证异常检测效果。设置了几种典型异常场景进行仿真分析,试验结果表明,该方法能有效检测出三轴稳定类空间目标发生失稳旋转的姿态异常。相比于传统统计参数特征、小波变换统计参数特征及能量特征的姿态判别方法,具有检测概率高、鲁棒性好的特点。     

电压敏感电路的故障诊断技术研究

电压敏感电路能够敏感发电机的输出电压,是发电机调压电路的重要环节,其发生的故障将影响电源系统的安全与稳定。利用小波子频带能量检测技术对输出电压信号进行处理,从中获取故障信息,作为神经网络的输入。训练过程及测试结果表明：基于松散型小波神经网络应用在电压敏感电路故障诊断中,具有较高故障诊断率,验证了该方法的有效性。     

小波包变换对遥测速变数据噪声消除效果的改进

在介绍小波包定义和降噪声原理的基础上,提出了采用小波包变换降低噪声的方法。为验证该方法的有效性,将其用于某型导弹试验中所测遥测数据的降噪处理中,并与小波变换降噪效果进行比较。结果表明,小波包变换改进了遥测速变数据的消噪效果,是速变信号降噪一种更为有效的方法。     

基于小波包和BP网络的滚动轴承状态寿命模型

使用状态寿命(即状态良好、初始损伤、故障发展和即将失效4个寿命阶段)描述滚动轴承的使用寿命,并建立了滚动轴承状态寿命的评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提取小波包重构信号的频带能量构造特征矢量,利用推广性能良好的贝叶斯正则化BP网络作为状态寿命评估的算法建立特征向量与状态寿命之间的映射,采用滚动轴承全寿命试验数据作为学习样本,训练和确定评估模型.试验验证了模型的有效性和可信性.