LDA测量方截面U型旋转通道速度分布

为了深入了解旋转涡轮叶片内冷通道中的流动特性，用激光多谱勒测速仪(LDA)测量了旋转U型通道中的平均速度分布。通道的横截面积为50mm×50mm，弯管的平均半径与水利直径的比值为0.65，旋转轴与弯管的曲率轴平行。在Re＝105时分别测量了转动数Ro＝0，0.2和-0.2三种旋转状态下的速度分布。在这三种情况下弯管内侧θ＝90°至下游一定范围内都有流动的分离出现。由于不同的旋转状态二次流的方向和强弱不同，导致了分离区大小和通道中速度分布的不同。     

图象序列中机动目标的形心跟踪

从边检测边跟踪的角度探讨了图象序列中机动目标的形心跟踪问题,深入分析了强高斯噪声背景下目标形心估计的统计性质及用于形心估计的图象预处理方法。指出经典的图象二值化变换分割后作形心估计的方法面临着估计偏差和方差的矛盾,提出了用自适应交互三模型(ATIMM)跟踪图象序列中机动目标的方法,同时发现在了解目标形状的条件下,空间匹配滤波,二值变换点集聚类和 ATIMM三者的结合对图象序列中的机动目标具有最好的跟踪性能。     

命中概率估计

本文首先建立由制导误差引起的脱靶量的分布规律，然后给出命中靶而上圆城的概率表示。对于命中概率的估计，讨论了一致、最小方差、无偏估计（UMVU估计）。对于样本容量较小的场合，给出了自助估计方法。     

分布参数可变时的Bayes估计

文中讨论了分布参数可变时的统计模型及动态参数建模方法，给出了参数的Bayes估计，并对于应用中的一些问题提出了看法。     

计及随机噪声的频域多输入多输出模态参数识别

提出了一种计及随机噪声的多输入多输出频域模态参数识别方法。该方法基于连续时间域的频率响应函数有理分式模型,利用Forsythe正交多项式改善求解性态,属频域的极大似然类估计方法。在最小二乘估计的基础上,利用"先验"的随机噪声信息进行优化迭代的极大似然估计,得到更优的模态参数识别结果。根据Cramer Rao下界不等式,在几乎不增加计算量的情况下获得所识别结果的不确定性信息,提高了模态参数识别的可靠性。采用GARTEUR飞机模型作为仿真算例,对本算法进行了仿真验证。     

混合正态分布参数极大似然估计的EM算法

利用传统的估计方法确定混合正态分布参数极大似然估计是很困难的。为此采用EM统计算法,引入恰当的“潜在数据”简化了计算过程,将复杂的极大化运算转化为一系列求期望和极大化的简单步骤。算例结果表明EM算法是有效的,估值精度满足要求。     

利用多普勒原理测量微机电系统中微结构的动态特性

介绍了将显微扫描激光多普勒测振仪与基础激振法相结合的微结构动态特性的非接触无损测量方法、扫描激光多普勒测振仪的工作原理、设计的基础激振器及其驱动信号.并给出典型微结构--微悬臂梁的测量结果.测量结果与理论计算及有限元仿真结果相符,验证了该方法的有效性.     

基于极大似然估计器的GNSS矢量跟踪算法

矢量跟踪是一种将全球导航卫星系统(GNSS)接收机的信号跟踪与导航解算融为一体的跟踪算法。传统的基于矢量延迟/频率锁定环(VDFLL)的跟踪算法普遍采用延迟锁定环(DLL)和锁频环(FLL)鉴别器计算伪距和伪距率偏差观测量,由于锁频环鉴别器存在近似误差和一步延迟效应,在高动态环境下容易造成环路失锁。从直接估计卫星信号特征参数的角度出发,基于中频信号模型构建码相位和载波多普勒的极大似然代价函数,采用非迭代估计算法得到各通道码相位和多普勒频移的估计偏差,转换为卡尔曼滤波器的观测矢量,提出一种基于极大似然估计器(MLE)的矢量跟踪算法。理论分析和仿真结果表明:新算法结合了极大似然估计和矢量跟踪的优点,克服了FLL的延迟效应,与基于VDFLL的矢量环路相比,高动态环境下的跟踪稳定性更好,可以对被遮挡的卫星保持持续的跟踪。     

区域杂波估计的多目标跟踪方法

高斯粒子概率假设密度（PHD）滤波往往假定杂波密度参数已知,这种做法对于实际应用是不现实的。此外,杂波的参数值通常依赖于环境条件,可能随时间发生变化。因此,多目标跟踪算法中需要实时准确估计杂波密度的参数。基于此,提出了一种多目标跟踪的区域杂波估计方法。首先根据量测信息在线估计出场景中的杂波数目,然后估计落入目标附近感兴趣区域的杂波数,并估计每个目标感兴趣区域杂波强度。仿真结果表明,在复杂场景下算法的跟踪性能明显优于未进行杂波估计的多目标跟踪算法,提高了跟踪的实时性和跟踪精度。     

Adaptive Gaussian sum squared-root cubature Kalman filter with split-merge scheme for state estimation

The paper deals with state estimation problem of nonlinear non-Gaussian discrete dynamic systems for improvement of accuracy and consistency. An efficient new algorithm called the adaptive Gaussian-sum square-root cubature Kalman filter（AGSSCKF） with a split-merge scheme is proposed. It is developed based on the squared-root extension of newly introduced cubature Kalman filter（SCKF） and is built within a Gaussian-sum framework. Based on the condition that the probability density functions of process noises and initial state are denoted by a Gaussian sum using optimization method, a bank of SCKF are used as the sub-filters to estimate state of system with the corresponding weights respectively, which is adaptively updated. The new algorithm consists of an adaptive splitting and merging procedure according to a proposed split-decision model based on the nonlinearity degree of measurement. The results of two simulation scenarios（one-dimensional state estimation and bearings-only tracking） show that the proposed filter demonstrates comparable performance to the particle filter with significantly reduced computational cost.