用数据矩阵奇异值分解实现时间欠采样信号频率无模糊估计

提出一种在欠Ｎｙｑｕｉｓｔ采样下可实现高宽频带内信号频率无模糊估计的算法，该算法通过构造一种特殊的数据矩阵，对数据矩阵奇异值分解，利用有限的采样数据构造出更为精确的噪声子空间，利用信号子空间与噪声子空间的正交性，精确地提取多个空间信号的频率信息。该法比基于协方差矩阵特征分解的算法具有更好的分辨性能。仿真结果验证了该算法的有效性。     

基于树形小波变换的断口图像识别

断口图像的识别是进行失效分析的一个重要组成部分,本文提出一种基于小波的断口识别方法,该方法采用树形小波对金属断口图像进行二级小波变换,剔除近似分量,对其余的各个频带输出的标准差作为断口识别的特征,并采用最小距离分类法进行分类,实验证明,此方法对细节丰富的断口的识别率很高。     

电磁式跟踪器磁场畸变的姿态校正技术

电磁式跟踪器可以测量物体的位置和姿态,但其测量精度也容易受金属环境干扰。本文根据电磁跟踪器的工作原理,给出了电磁式跟踪器姿态校正的模型,讨论了两种不同的姿态校正实现方法:插值法和拟合法,比较了两种方法的优缺点。最后,对某一金属环境进行了畸变姿态校正的试验,给出了3个不同的姿态实际值和在此金属环境下的畸变和校正结果。试验结果表明本文提出的姿态校正算法能很好地补偿金属环境引起的电磁式跟踪器姿态的畸变。     

直升机载火控雷达抗干扰捷变波形优化算法

针对直升机载火控雷达面向抗干扰的捷变波形优化问题,基于奇异值分解(Singular value decomposition,SVD)和循环算法提出了适用于多脉冲和短码长的捷变相位编码波形设计方法.本文首先通过构造具有目标区域低旁瓣模糊函数的带约束四次型优化问题,然后根据SVD分解将四次型转化为二次型,给出了迭代收敛的优...     

利用降阶定理计算行列式中的最小阶数

通过讨论利用降阶定理计算行列式中的最小阶数问题,给出了分解的最小阶数,同时结合矩阵的满秩分解,给出了一种有效的行列式的计算方法。     

三维非结构混合网格高超声速流场并行计算

在非结构混合网格上对三维高超声速化学非平衡粘性绕流进行了基于PC-Cluster的分布式并行数值模拟.本采用区域分裂思想,研究了三维非结构混合网格区域自动分解技术,并以此为基础对高超声速化学非平衡绕流进行了并行数值计算.控制方程为多组分N-S方程,空间离散采用有限体积格心格式,时间推进为显式Runge-Kutta格式.化学非平衡动力学模型为七组元带电离反应模型,对化学反应源项进行了点隐式处理,温度场的计算采用牛顿迭代法.在PC-Cluster上对三维双椭球模型的高超声速绕流流场进行了基于区域分解技术的并行数值模拟,所得数值结果与参考献中的结果作了对比验证。     

二次约束优化方法在结构动力模型修正中的应用

将二次约束优化方法应用于结构动力模型修正问题中.该方法将模型修正问题转化为一个带二次约束的最优化问题.应用奇异值分解,给出了结构模型修正的数值方法,并进行了数值实验.通过与其他方法比较,本文提出的方法是有效的.     

基于多源数据融合的翼型表面压强精细化重构方法

在风洞试验模型表面布置测压孔是获得表面压力分布的重要手段,但受限于空间位置和试验成本,通常难以在复杂模型表面布置足量的测压孔获得完整的表面压力分布信息,直接积分获得的升力和力矩精度不足,因此提出了一种融合稀疏的风洞试验数据和数值计算（CFD）数据的方法,通过较少的风洞测压试验数据获得高精度的压力分布。首先通过本征正交分解技术提取数值计算数据的压力分布低维特征（POD基函数）,然后利用稀疏的试验测压数据,通过压缩感知算法获得基函数的坐标,最后将坐标转化到物理空间重构出压力分布。利用定常固定翼型变状态以及变几何变来流状态算例验证该方法的精度,重构结果均能精确匹配试验结果。该重构方法可在一定程度上解决空间受限稀疏观测条件下的分布载荷精细化重构难题。     

基于EMD的MEMS陀螺仪随机漂移分析方法

为了抑制微机械电子系统（MEMS）陀螺仪的随机漂移,基于经验模态分解（EMD）和模态集合选择标准,结合时间序列建模滤波法,提出了一种改进的MEMS陀螺仪随机漂移分析方法。首先,通过EMD将MEMS陀螺仪原始数据分解为多个本征模态函数（IMF）,利用模态集合选择标准将IMF分为噪声IMF、噪声与信号混合IMF和信号IMF三类;然后,对混合IMF进行重构、时间序列建模及自适应卡尔曼滤波（AKF）;最后,将3类信号重构,实现MEMS陀螺仪信号去噪。实验表明:所提方法有更好的去噪效果和实时性,提高了MEMS陀螺仪的使用精度。      

彩色图像中的本征图像的抽取

光源的位置和颜色影响到景物在摄像机中的成像,高光(highlight)的出现使一般的分割算法得不到理想的分割结果。文中根据二色反射模型(Dich-romatic Reflectioa Model),将图像分解成两个本征图像(intrinsic image)——本色图像(matte image)和高光图像(highlight image)。本色图像是去掉高光后的图像,反映了景物本身的不变性,不受外部因素(如光源的位置和颜色)的影响。而高光图像是只含有高光的图像,反映了外部因素的影响,有助于确定物体的形状。文中的彩色图像是指单一颜色光照(非单一波长的光照)下的单色物体在彩色CCD 摄像机中成的像。