一种惯组外场标定振动干扰的分离方法

惯组在外场进行标定时常会受到地基振动的干扰,这种干扰会对惯组的测试精度造成极大的影响.为解决这一问题,根据工程实际需要,提出了一种基于经验模态分解和数字信号滤波技术相结合的惯组输出振动干扰分离方法.首先利用经验模态分解将受振动干扰的惯组输出分解成若干本征模态分量,然后采用低通滤波器对高频分量进行滤波,对低频分量相应区段做幅值修正,最后将处理过的各分量叠加,即重构出消除振动干扰的信号.相对于传统的剔除野值后的平滑滤波方法,新方法保证了数据信息的完整性,有效降低了振动干扰的不利影响,提高数据信息的可靠性和真实性.仿真实验和工程实践表明,该方法对外场的瞬时振动干扰有较强地分离能力.     

O群E与T1C—G系数的积详解

本文用传统方法计算了O群的克莱布施-戈登系数，结合坐标变换给出了克莱布施-戈登系数的数学意义。     

北斗卫星导航系统测量误差指标体系

围绕北斗卫星导航系统中的伪距测量误差，全面分析系统的测量原理，提出系统误差指标体系的构建流程，构建基于误差层次分解方法的北斗卫星导航系统测量误差指标体系，指标体系由1个系统层指标、3个准则层指标、11个要素层指标和36个基础指标等51个指标组成。同时，结合实例，从卫星下行链路的绝对时延的测试需求，引出了绝对时延的测试问题，定义星载导航任务处理单元对外1PPS信号的输出口作为卫星的时间零点，给出需要测试的绝对时延的路径组成。根据目前系统的实际情况，通过每一部分的测试误差，求出整个绝对时延的测量误差精度。     

基于噪声柯西分布的社交图像标签优化与标注

随着社交网络的快速发展，带有用户提供标签的社交网络图像呈现爆炸式增长。但是用户提供的标签是不准确的，存在很多不相关以及错误的标签。这势必会增加相关多媒体任务的困难。针对标签噪声无序性以及常用的高斯分布对标签噪声中大噪声过于敏感的问题，但是高斯分布对大噪声比较敏感。鉴于此，采用对各种噪声都具有鲁棒性的柯西分布拟合噪声，提出了一个基于噪声柯西分布的弱监督非负低秩深度学习（CDNL）模型，通过柯西分布建模标签噪声来获得理想标签，并利用深度神经网络模块学习视觉特征和理想标签之间的内在联系，来得到图像对应的正确标签，从而大幅提高社交网络图像的标签准确率。所提模型不仅可以修正错误标签、补充缺失标签，也可以对新图像进行标注。在2个公开的社交网络图像数据集上进行了验证，并且与一些最新的相关工作进行了对比，证实了所提模型的有效性。      

基于形态学滤波的快速多通道图像EMD

为了提高多通道图像经验模态分解（EMD）方法分解的效率，提出了一种基于形态学滤波的快速多通道图像EMD方法。利用形态学膨胀和腐蚀滤波可以计算图像上下包络这一重要特性，实现了多通道图像EMD的快速计算，形态学滤波窗口大小由各通道图像的平均极值距离确定，将一幅多通道图像自适应分解为若干个尺度从细到粗的内蕴模态函数（IMF）图像和一个体现图像整体变化趋势的余量。大量的实验结果与对比显示，所提方法不但能够加快EMD方法分解的速度，而且也能够有效地对多通道图像进行自适应分解。通过在图像融合和图像水印中的应用及大量的实验比较，说明了所提方法能够方便快捷地投入到具体的图像处理任务中。      

Boussinesq方程的Backlund变换及相似约化

将简便而又直接的齐次平衡法推广应用到求Boussinesq方程的Backlund变换,精确孤子解和相似约化.这种方法可以普遍应用.     

探访西班牙古镇(一)——静谧的赫罗纳

<正>在巴塞罗那以北101公里有一座美丽的千年古镇一一赫罗纳(Girona),这是一个很少有游客光顾的古镇。赫罗纳坐落在比利牛斯山脚下,市内的翁亚尔河右岸为老城区,集中了许多五彩缤纷的房子,游览其中让人仿佛置身于中世纪。从古代开始这里就是战略要地,在《罗兰之歌》中讲述了被查理曼大帝攻击的赫罗纳。这座城市在1809年曾经与拿破仑军队对抗达7个月之久,如今仍保留着中世纪风貌。     

基于偏微分方程的卡通—纹理图像分解方法

Luminita A. Vese和Stanley J.Osher基于总变差最小化及Yves Meyer提出的振荡函数空间理论提出了卡通-纹理图像分解模型,直接从Vese-Osher模型的偏微分方程出发进行改进,重新选取了方程中的扩散系数,对不同类型的含纹理图像,通过对扩散系数的调整,有效地保护卡通部分的边缘,更好地提取纹理特征,从而达到提高图像分解质量的目的.     

测定钢铁中微量钛的样品分解方法

对于测定微量钛的钢铁样品分解方法进行了研究，结果表明：使用混酸以微波炉密封罐溶解钢样，具有快速、方便、测定准确度高、精度好等特点。     

基于经验模态分解的有限阵元宽带自适应阵列DBF方法

针对有限阵元条件下宽带自适应阵列自由度不够和抗干扰性能下降的问题,提出一种基于经验模态分解(Empirical mode decomposition,EMD)的宽带自适应阵列数字波束形成(Digital beamforming,DBF)方法。该方法首先对阵元接收的快拍数据进行EMD处理,然后对各个模态函数矩阵应用线性约束最小方差(Linearlyconstrained minimum variance,LCMV)波束形成算法求解自适应权矢量,最后对信号进行重构。与传统的基于快速傅里叶变换(Fast Fourier transform,FFT)子带自适应阵列方法相比,该方法具有以下优势:适用于阵元数目受限的宽带自适应阵列,无需事先指定模态函数划分的频段,可以提高阵列处理的自由度。仿真验证了所提方法的有效性。