含噪信号经验模式分解虚假分量识别方法

针对含噪信号Hilbert-Huang变换存在虚假分量,提出改进的奇异值分解(SVD)方法进行降噪,改进包含两个部分:一是利用重构相空间代替传统矩阵如Hankel矩阵,以去掉信号冗余,再者提出奇异值能量熵分量差分法,更易于定出重构奇异值阶次;二是提出了频谱比值法对虚假分量进行辨识,更有效辨识出虚假分量.首先利用经验模式分解(EMD)得到本征模式分量(IMF),识别并剔除趋势项,重构信号,然后进行SVD,重构降噪后的信号,消除虚假分量,最后进行时频分析.联合方法应用于含噪仿真信号,信噪比(signal noise ratio,SNR)提高了5.5%,虚假分量辨识率提高至100%,用于双跨转子故障振动信号,得到正确的时频结果,表明了所提方法识别含噪信号虚假分量的有效性.     

基于相空间重构和神经网络的压气机机匣静压预测

建立了基于相空间重构和径向基神经网络的压气机机匣静压的预测模型。对试验数据进行相空间重构,分析其混沌特性,根据重构相空间的最小嵌入维数确定网络输入参数的个数,采用K均值聚类的方法优化网络的拓扑结构,根据时间序列的最大李亚普诺夫指数确定预测模型的最大有效预测步数,利用径向基神经网络的强大非线性映射能力,实现对时间序列的非线性预测,试验结果证明了该方法的有效性。该方法对压气机趋势监控具有一定的参考价值。      

未知空间目标纹理缺失表面三维重建算法

针对传统三维重建方法难以对纹理缺失表面进行完整重建的问题,提出一种基于深度学习与截断符号距离函数(TSDF)融合的未知目标三维表面完整重建算法。首先设计一种基于深度学习的图像逐像素深度估计框架,通过在训练过程中引入多个复杂结构模型,提高该深度估计框架的泛化能力;其次,利用TSDF对各帧图像所估计的深度信息进行融合,实现对纹理缺失区域的空间目标完整三维重建。根据仿真校验,对于300 mm尺寸的卫星模型图像,像素深度估计平均误差约为13 mm,通过TSDF融合后尺寸精度误差小于5.10%。实验结果表明该算法可以对未知空间目标光学图像进行逐像素深度估计,并获得目标完整的三维结构与纹理信息,有效解决无纹理区域的重建结构缺失问题。     

基于机载单天线雷达一维距离数据的地表三维信息优化重建方法

陆地的刚体表面在机载雷达的任意相对运动下具有几何不变性,基于此约束可利用雷达距离像中提取出的地面多个强散射点的一维距离数据,重建出地表的三维信息以及载机未知的运动轨迹.鉴于现有基于雷达远场假设的重建方法无法适用于具有较大近场误差的地面目标重建的问题,提出一种基于雷达近场几何模型的优化重建方法,采用非线性优化方法实现了对...     

基于观测器的航天器执行机构失效故障重构

针对刚体航天器在轨运行时存在执行机构失效故障和外部干扰问题,提出了一种基于观测器的故障检测与重构方法。该方法运用迭代学习技术,利用上一步的执行机构故障观测信息来估计当前的故障信息,并最终实现故障的精确重构。此外基于Lyapunov方法从理论上证明了此故障诊断方法能够实时、在线地实现对常值、时变甚至随机型的执行机构失效故障的重构,并且对外干扰力矩具有一定的鲁棒性。最后,仿真结果验证了该方法的有效性。
     

一种利用PCA的导弹轨迹重建方法

非同时刻成像将大幅恶化立体视觉方法对导弹的轨迹点重建精度和射向估计精度,针对这一问题,该文提出了应用主成分分析(PCA)重建导弹轨迹并且估计导弹射向的方法。论文在同步轨道双星观测条件下推导了将PCA方法应用到导弹轨迹重建及射向估计的原理,论证了目标三维轨迹最小方差投影直线在像面上的投影即为目标成像轨迹的最小方差投影直线,给出了通过求取目标成像轨迹的最小方差投影直线重建导弹发射面和轨迹点的算法。仿真实验表明了该方法可以有效地进行弹道轨迹的三维重建及射向估计,与现有方法相比,PCA方法重建精度更高,相机定标误差在一定范围内时,射向估计误差更小。     

基于磁链重构的永磁同步电机分布参数模型

针对基于电感的永磁同步电机(PMSM)线性集中参数模型无法描述电机磁路饱和、反电动势非正弦等非理想特性的问题,提出一种基于磁链重构的PMSM分布参数模型,并进行了仿真和试验验证。首先通过有限元分析(FEA)获取电机不同工作点下的磁链,其次利用傅里叶级数展开和多项式拟合方法对磁链进行重构,再根据重构的磁链建立起PMSM分布参数模型,并进行了仿真和试验验证。仿真和试验结果表明,模型能准确描述PMSM在不同工况下的非线性特性。     

基于卷积神经网络的Bolund岛流场重构

基于卷积神经网络的流场重构方法是风资源评估领域的一种新兴方法,具有成本低、周期短、精度高等优点,在风电场建设评估和风资源利用等领域具有较强的学术价值和工程应用背景。以风资源评估中常用的Bolund岛为研究对象,采用CFD数值模拟的输入风廓线和输出流场为样本标签,构建了以多层融合卷积神经网络为基础的流场重构方法。以缩短计算时间为目标,研究了样本量对流场重构方法精度的影响,同时对重构方法的外插能力进行了分析。研究结果表明：建立的基于卷积神经网络的流场重构方法可以较好地还原流场信息;当重构目标处于训练样本范围内,全场最大重构误差不高于2%,且在样本量从100减小到25时,全场最大重构误差仍在5%以内;构建的重构方法具有一定的外插能力,但其能力有限,当重构目标超出训练样本范围,全场最大重构误差增加到20%以上。     

基于CEEMDAN的雷达信号脉内细微特征提取法

有效的信号特征提取是高精度雷达辐射源识别的基础,以脉冲描述字为代表的传统特征已无法满足复杂电磁环境的需要。本文提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）的有效雷达辐射源脉内细微特征提取算法。雷达信号由对非平稳、非线性信号尤为有效的CEEMDAN分解产生的个别分量重构,抑噪效果通过1 000次蒙特卡罗实验得到验证,同时设计基于该重构的一种脉内特征空间。本文方法与主流特征提取方法的识别精度在6部雷达辐射源产生的3 000个不同脉内调制的加噪信号样本上进行了实验对比,结果表明不同种类信号样本在本文特征空间中清晰可分,本文方法较之主流方法更加精确,尤其在0 dB信噪比（SNR）下仍保持90%以上的高精度。      

非圆信号的贝叶斯稀疏重构阵列测向方法

对信号非圆特性的有效利用能显著改善子空间类阵列测向方法的性能,但难以弥补此类方法在低信噪比（SNR）、小样本等信号环境适应能力方面的局限。本文引入贝叶斯稀疏学习（SBL）技术以解决非圆信号的波达方向（DOA）估计问题,在结合信号非圆特性的同时对入射信号的空域稀疏性加以利用,通过将非圆信号阵列输出协方差矩阵和共轭协方差矩阵在预先定义的空域字典集上进行稀疏重构,得到入射信号的空间谱重构结果,并依据其谱峰位置估计各信号的方向。该方法对独立和相关信号都具有较好的适应能力,仿真结果验证了该方法在信号环境适应能力和相关信号测向精度等方面的优势。