埃尔比特公司为以色列空军提供F-161模拟器系统

埃尔比特系统公司将从以色列空军的F-161机组人员飞行和系统训练器提供航空电子模拟系统，系统包括显示和瞄准头盔（DASH）。任务计算机系统、平显系统，显示处理器和数字地图以及存储管理系统，埃尔比特在训练器开发项目中的份额为1000万美元。公司所开发的航空电子系统将模拟真实的F-16航空电子系统，埃尔比特公司子公司5VR系统公司将提供视频显示器和座舱模拟器。     

时间访客及其他

“其实，人们常说的外星人不过是时间访客的走卒和附庸而已，时间访客往往被误认为外星人。然而，早在6500万年前我们的地球就受到时间访客的严密监视和关爱。在这6500万年的漫长岁月里，时间访客充当了我们的天使、保护神和遗传外科专家，是他们创导了超新星爆发进而使恐龙灭绝，才使我们人类发展起来，指挥了古埃及金字塔的建造……这些仅仅是他们跨时空宇宙宏伟蓝图的一部分。     

FDP数据库维护

Telephonics系统FDP(飞行数据处理器)采用客户／服务器数据库和开放式结构环境的处理技术，提供有效的平台，提供一系列的空中交通管理和系统维护功能。其主要功能有：实现飞行计划的自动生成，飞行计划与航迹自动相关，进程单的自动打印，自动收发起飞或落地报和管制权限的自动移交等一系列空中交通自动化管理。     

用MTI多普勒处理机时无载波雷达信号的设计

具有反馈延时电路的多普勒处理器能够产生图钉状距离－速度分辨函数，该分辨函数是通过对由大量编码信号组成的无载波雷达信号进行处理而得到的。如果每一个编码信号都是具有一个主瓣而无时间副瓣的相关函数，那第只要对回波信号中的两个编码信号进行处理，动目标显示器（ＭＴＩ）多普勒处理器就产生图钉状距离－距离分辨函数，事实上ＭＴＩ多普勒处理器就是双脉冲相消电路的推广。当从固定目标或动目标反回信号的脉冲间隔时间与ＭＴ     

基于POWER PC通用处理器的CPU模块设计

POWER PC通用处理器是一种低功耗超标量的RISC处理器。本文描述了基于POWER PC通用处理器的CPU模块的基本体系结构,并以Motorola通用处理器POWER PC603e为例,阐述了CPU模块的实现方法。     

基于DSP实现的并行三维实时图像处理系统

基于DSP实现的并行三维实时图像处理系统是采用Texas Instruments公司的通用数字信号处理器DSP（Digital Signal Processing）TMS320C40，在对图像存储算法分析的基础上，根据算法内在的并发笥提出了一种流水式多SIMD并行三维图像处理结构，这种结构可使图像处理器按行、列或一个任意的矩形块同时存取帧缓存的像素，具有实时和高速的特点。     

DSP的数学原理及在实时系统的应用

制造系统里所用的微处理器中，单片机只能做逻辑处理和简单数学计算，而数字信号处理器（DSP）可进行相当复杂的数学处理。本文概述DSP的数学原理及其技术特点，介绍了基于DSP智能控制器在制造业中实时测控系统的应用实例。     

基于时空轨迹信息的目标行为模式在线分类方法

在预警监视领域，及时地预测目标行为模式对于态势认知至关重要。首先，针对当前大多数目标行为分类器实时性不强、对离群轨迹不敏感等问题，提出了带有离群检测的归纳式一致性多类预测器（ICMP）。其次，针对目标行为分类算法仅考虑目标的空间位置信息，而忽略航向和速度信息的问题，基于轨迹的时间和空间2个维度的信息提出了时空Hausdorff距离（STHD），从而可以有效区分空间位置相似但运动速度和方向不同的行为。然后，基于定向时空Hausdorff距离和K最近邻思想构造了定向时空Hausdorff最近邻不一致性度量函数（DSHNN-NCM）；在此基础上，提出了带有离群检测的序贯时空Hausdorff最近邻归纳式一致性多类预测器（SSHNN-ICMP），能够在预警监视场景下对目标频繁出现的行为进行在线学习和分类。最后，分别在仿真军事场景和真实民用场景中进行实验分析，结果表明本文算法具备较好的准确性和实时性，在预警监视任务中有良好的应用前景。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。