神经网络在广义经典分配问题中的应用

在两节点分布式多传感器系统中,一些航迹关联算法可以化为广义经典分配问题。广义经典分配问题是一个组合优化问题。当目标数目较多时,很难得到问题的最优解,而且其计算量容易呈现指数爆炸现象。文章提出了用Hopfield神经网络和平均场网络解决此问题的方法。仿真结果表明,采用文章提出的人工神经网络模型求解广义经典分配问题,不仅使航迹关联具有较高的关联正确率,而且计算时间不会出现指数爆炸现象。仿真结果还表明,平均场网络相比Hopfield神经网络更易于得到问题的最优解。     

基于互相关的正弦信号特征提取方法

文章介绍了基于互相关的正弦信号参数特征提取方法,该方法用于从受污染信号中提取特定频率正弦信号的幅值和相位信息。文中给出了算法的详细原理和该算法噪声影响抑制能力的详细分析及仿真结果。     

航天器环境干扰力矩的闭环辨识与补偿

研究引入干扰力矩辨识的方法提高三轴稳定航天器在稳态运行期间的高精度指向控制问题.基于航天器的稳态输出数据和系统传递函数,对环境干扰力矩的完整模型进行闭环辨识.其中采用改进的特征系统实现相关算法和多元线性回归法辨识环境干扰力矩的模型参数,最后使用前馈控制对所辨识的环境干扰力矩实现在线补偿.分析和仿真结果表明,该方案能有效地克服不确定的环境干扰力矩对姿态稳定度的影响,提高在轨运行航天器的姿态稳定精度.     

基于随机激励的某机匣模态实验与分析

用模态实验的方法对某型飞机发动机机匣的模态参数进行了识别。考虑噪声对频响函数的影响,在功率谱分析时,导出了噪声影响情况下的功率谱表达式,利用这个表达式计算了频响函数并最终用来提取模态参数。引入预实验方法用于机匣模态参数的探测中,以确定机匣上各个测点和激振器激振点的合理布置。考虑到实际工作时的激励情况,在实验台上用白噪声随机激励来模拟环境激励,对机匣进行了模态实验。与计算模态相比,用实验模态方法提取模态参数,避免了复杂的有限元建模与仿真,并能用相干函数来检验测得的实验数据的有效性。实验模态分析表明,得到的模态参数对于进一步改进机匣设计、分析其振动、疲劳寿命特性等具有重要的意义。      

一种新的双复权雷达干扰自动对消系统研究

复杂电磁干扰环境下,雷达干扰对消系统性能发挥受到了挑战.针对对消系统面临的这一问题,分析了干扰对消的基本原理,并对影响对消性能的主要因素进行了深入探讨.在此基础上,设计了单延迟节FIR滤波器双复权对消系统,大大减小了空间波程差和通道不一致性对对消系统造成的不良影响.仿真结果验证了系统的有效性.     

基于周期谱相关的扩频信号时差估计

周期谱相关时差估计法具有较强的抑制噪声和干扰的能力,适应于低信噪比的情况,但其抗噪声和干扰能力完全在于循环频率的选择.提出了运用周期谱特性选择扩频信号循环频率的方法,大大降低了谱相关时差估计算法的计算量.仿真结果表明,该方法是切实可行的.     

BOC调制信号的特性分析

二进制偏移载波(BOC)调制是GPS现代化后采用的新军用信号(即M码信号)的调制方式, 其设计灵活性和可变性在导航战中是非常重要的.推导并分析了不同形式BOC信号的自相关函数、功率谱、循环谱和循环谱包络切面特性,分析结果对下一步BOC信号的参数估计和模式识别具有参考价值.     

Gram-Schmidt回归及在刀具磨损预报中的应用

多元线性回归是一种应用广泛的统计分析方法.在实际应用中,当自变量集合存在严重多重相关性时,普通最小二乘方法就会失效.为解决这一问题,利用Gram-Schmidt 正交变换,提出一种新的多元线性回归建模方法——Gram-Schmidt回归.该方法可实现多元线性回归中的变量筛选,同时也解决了自变量多重相关条件下的有效建模问题.将该方法应用于机械加工过程中刀具磨损的预报分析,有效地进行了变量筛选,并得到了解释性强同时拟合优度也很高的模型结果.      

气动静/动稳定性的相关性及粘性滞后时间的研究

风洞试验证实,物体的气动静稳定性和气动动稳定性之间,存在着反向演变现象。研究表明,它主要是绕流的粘性效应诱导的气动量和它们对物体姿态运动的时间滞后引起的,并且,该气动量中的静稳定性粘性诱导量和动稳定性诱导量之间是负相关的。本文给出了相关分析以及粘性诱导量之间的负相关模式,并用作者得到的风洞动态试验结果证明了上述负相关模式的实在性。此外,还根据上述风洞试验结果,计算了粘性动态相关因子Ｋｄ与粘性滞后的     

基于分数阶理论的铁路基础设施形变监测数据分析与挖掘

北斗高精度定位系统因噪声等因素会产生一定范围内的随机误差,这导致传统模型难以直接对监测数据进行精准分析,因此提出基于分数阶理论的北斗监测数据分析方法,从数据整体趋势角度挖掘铁路基础设施形变演化规律。首先,给出分数阶分析方法的理论框架,并对基础理论进行详细介绍;其次,提出利用α稳定分布对原始数据进行概率密度拟合,实现数据的非高斯特性估计;再次,通过长程相关特性和多重分形特性挖掘隐藏在监测数据中的深层次趋势特征,从数据分数阶特性维度分析未来变化趋势;最后,所提分析方法应用于国内某重载铁路的基础设施形变监测,实验结果表明所提出的分析方法能够在噪声干扰下实现北斗监测数据的精准分析,能够对各组监测数据的演化规则和铁路基础设施形变程度进行精准判别。