鲁棒干扰解耦问题的进一步结果

本文是文献[1]工作的继续。主要讨论了同时不变子空间的三种特征:即时域特征、频域特征和几何特征。特别对包含在给定子空间H中的最大同时不变子空间给出了新的描述。利用这些结果,文中首先给出了一类离散扰动系统鲁棒干扰解耦问题的充要条件,然后推广到了连续扰动系统,获得了一个Kharitonov型的结果。     

N4SID辨识方法在航空发动机中的应用

针对在现代航空发动机的自适应控制和故障监控领域建立系统动态模型的需要 ,本文研究了基于状态空间模型的数字子空间状态空间系统辨识 (N4SID)方法 ,并在某型双转子涡喷发动机非线性气动热力学模型的“小偏离”状态上进行了仿真实验 ,结论表明 :该方法可以较准确地辨识发动机“小偏离”状态时的系统模型     

基于随机子空间方法的模态参数识别研究

随机子空间识别 (StochasticSubspaceIdentification ,以下简称SSI)方法是一种新的时域识别方法 ,该方法仅用自然响应数据 ,通过QR分解和SVD分解等一套正交投影算法识别系统模型。研究了SSI方法在模态参数识别领域的应用。采用NASAmini mast模型 ,仿真分析了SSI算法控制参数选择技巧 ,论证了其参数识别精度。通过处理日本CFT大楼实测数据 ,研究了SSI方法识别真实结构模态参数的问题。应用Kalman滤波器 ,测量响应可以分解为模态空间响应 ,将信号功率谱分解成多条单自由度系统功率谱。     

基于iSIGHT平台的并行子空间算法研究

概述了并行子空间算法的两种计算框架。即基于学科级优化的并行子空间算法和基于试验设计的并行子空间算法，在对比两种算法框架特点的基础上，分析了基于试验设计法的并行子空间算法的工程实用性，最后结合算例在iSIGHT软件中完成了集成优化分析。     

多级嵌套维纳滤波自适应降维STAP抗干扰方法研究

在分析多级嵌套维纳滤波（MSNWF）给出的干扰子空间和噪声子空间信息的基础上,提出了多级嵌套维纳滤波自适应降维空时自适应处理（STAP）抗干扰算法。该方法分析了MSNWF前向迭代过程中相邻级期望信号的协方差随迭代次数变化关系,结合干扰子空间和噪声子空间信息自适应地确定迭代次数,在不增加额外计算量的条件下实现了降维维数的自适应选择。仿真结果分析表明,该方法在保证抗干扰性能不受影响的前提下,进一步减小了STAP算法的计算量,提高了算法的实时性。
     

一种快速自适应角度-多普勒补偿算法

自适应角度-多普勒补偿(Adaptive Angle Doppler Compensation,A2DC)算法可在惯导参数未知的情况下解决非正侧视阵列中由杂波距离相关性引起的非均匀问题,但该算法运算量大、工程实现困难.本文首先对A2 DC算法的基本工作原理进行了深入的分析,在此基础上,针对算法运算量大的缺点,将分块处理...     

复合材料加筋板结构优化设计的并行子空间法*

为对复合材料加筋板结构进行布局优化设计,提出并行子空间优化方法。该方法将整个优化问题分为筋条布局优化、筋条尺寸优化和铺层厚度优化三个并行的子空间优化问题,分别以筋条型式、数量、尺寸和铺层厚度为设计变量;每个子问题都独立进行优化计算,优化后将所有结果综合协调,更新设计变量值并重复整个优化过程,直到满足收敛条件。通过三个典型算例验证,结果表明该方法不仅合理而且有很好的优化效果。     

基于杂波子空间估计的MIMO雷达降维STAP研究

 多输入多输出(MIMO)雷达是近年来出现的一种新体制雷达,针对MIMO体制的机载雷达开展空时自适应处理（STAP）技术研究是值得进一步努力的方向。本文研究了机载MIMO雷达STAP技术的降维算法,通过对STAP技术杂波抑制原理进行分析,推导并得到一种基于杂波子空间的降维算法。结合扁长椭球波函数（PSWF）的特点,提出了一种基于杂波子空间估计的降维算法,并与若干降维算法的杂波抑制性能进行比较。结果表明,当存在阵元幅相误差时,该算法在保持杂波抑制性能的同时能够有效地降低STAP算法的运算量。     

一种改进的OPM方法

OPM方法是一种简便的求解噪声子空间进而估计DOA的方法,在高信噪比时,该方法性能很好,但随着信噪比的降低,算法性能很快下降,特别是其分辨概率下降很快.其主要原因就是低信噪比和DOA相邻较近时,信号源之间的空间相关性较强.提出了一种逐次消除空间相关性并逐次搜索DOA的改进OPM方法,该方法提高了分辨概率.仿真结果证明了方法的有效性.     

一种不需要源个数估计的MUSIC算法

MUSIC方法是阵列高分辨测向子空间方法中的经典算法,该算法的一个缺点就是需要进行源个数估计,源个数估计不正确将会导致虚假峰和漏峰.提出一种不需要源个数估计的MUSIC方法,该方法首先将快拍分组,对每一组的自相关进行特征值分解,以最小特征值对应的特征向量作为噪声向量,然后将搜索向量在每一组噪声向量上的投影构成新的矩阵,DOA对应的新矩阵将缺秩,根据新矩阵的缺秩程度来估计DOA.仿真结果证明了该方法的有效性.