基于稀疏信号表示的空间碎片成像

地基雷达一直是空间碎片监测的有力工具,研究如何利用它们对尺寸小于距离分辨率的目标进行成像具有重要意义。基于空间碎片通常会围绕它的主轴进行简单的自旋转运动这一事实,通过对目标回波模型的分析,本文提出了一种基于稀疏信号表示的空间碎片成像方法。该方法将成像问题转化为稀疏信号分解问题,首先以各个散射点的散射特性作为元素构建字典,然后通过采用现有的方法对单个距离单元横向回波数据的稀疏信号表示进行求解,最后对求解的结果重新排列以得到目标的二维高分辨图像。仿真实验结果表明了本方法的正确性。     

一种用于航天器数据监视的知识表示方法

针对我国目前以人为主的航天器数据监视现状,利用人工智能的一般方法,分析了航天器数据监视中需要用到的各种监视知识,提出一种将各种复杂监视知识表示成计算机可识别形式的方法。该方法采用基于规则的思想,易于接受,并引入了优先级的机制完成冲突消解。该方法能够解决与时间有关、与历史数据有关、基于曲线变化等几类遥测参数的监视问题,具有一定的实用性和推广价值。     

基于弹性网稀疏编码的空间目标识别

 传统的特征袋(BoF)模型在目标识别过程中假设每个局部特征点只关联特征词典中一个视觉单词。此外,l₁范数约束下的稀疏编码对于具有较强成对相关性的特征通常只选择一个特征,而不关注哪一个特征被选择。本文提出一种基于弹性网稀疏编码的特征袋模型。该模型利用尺度不变特征变换(SIFT)特征描述子构建特征字典,再通过弹性网回归模型求解每个描述子所对应的稀疏系数向量,最后将目标图像内的稀疏系数向量合并用于分类。与传统的特征袋模型和基于l₁范数稀疏编码的特征袋模型相比,该模型有较好的识别性能,并对视角变化具有较强的鲁棒性。在空间目标图像数据库上的实验验证了该模型的有效性。     

GB/T16474-1996《变形铝及铝合金牌号表示方法》等两项国家标准的实施要点

概述了GB/T 1 64 74- 1 996《变形铝及铝合金牌号表示方法》和GB/T1 64 75- 1 996《变形铝及铝合金状态代号》的特点及牌号命名的基本原则 ,与GB3 4 0 - 76《有色金属及合金产品牌号表示方法》相比较 ,详细介绍了两项国家标准对铝及铝合金牌号的表示方法。     

O群E(×)T1C-G系数详解

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。     

故障树在飞机故障诊断专家系统中的应用

根据故障树与故障诊断专家系统的特点,提出将故障树应用在飞机故障诊断专家系统中,然后对应用故障树的专家系统的模型选择、知识表示、诊断知识库的建立等进行了详细的分析,最后以实例说明故障树在飞机故障诊断专家系统中的应用.应用故障树的飞机故障诊断专家系统,能够快速、准确地确定故障原因.     

基于稀疏自动编码器的飞参数据异常检测

为了改善人工判读飞参数据效率低且易出现误判和漏判的不良状况,本文提出一种基于稀疏自动编码器(Sparse auto-encoder,SAE)的飞参数据异常检测方法。首先构建了SAE的基本框架,然后以滑动窗口的形式生成训练样本。其次,用正常样本并结合BP算法对整个网络模型进行训练和优化以得到相应的正常样本重构误差分布阈值。最后,根据测试样本的重构误差对飞参数据中的典型异常进行检测。实验证明,该方法可在样本不平衡的情况下,仅利用正常样本构建参数空间,并得到正常样本重构误差分布门限,准确检测出飞参数据中的异常,实现飞参数据机器判读。     

基于稀疏分解的压气机气动失稳检测

为及时可靠地检测出气动失稳现象,保障压气机的安全工作,采用Laplace小波构建原子函数库,引入稀疏分解算法提取阻尼比小于0的信号成份,通过与预设阈值比较内积值的大小,进行气动失稳信号的检测。结合在线检测系统的特点,将Laplace小波蜕化为衰减正弦函数,限定了参数取值范围;并仅进行一步匹配追踪,由此减少了稀疏分解的计算量。采用压气机试验台实测数据验证,该方法可以在压气机进入喘振前49~154ms准确发出报警信号。     

三重混合范数的L型嵌套阵列二维角度估计

针对L型嵌套阵列二维角度估计问题,提出一种三重混合范数块稀疏重构算法。首先,建立一种俯仰角和方位角可分离的二维稀疏测向模型,将两个维度采样点分块,分别计算联合协方差矩阵,二维角度估计问题被转化为联合协方差矩阵稀疏优化问题;为减小计算复杂度,建立三重混合范数块稀疏重构模型,利用交叉迭代的方法得到稀疏解,实现了二维角度估计,并且可以自动配对。仿真试验表明,三重混合范数稀疏重构算法能够有效估计多个辐射源的二维角度,分辨率较高,并且具有一定的鲁棒性。与传统算法相比,在低信噪比和小快拍数的条件下,均优于传统二维角度估计算法。     

基于ELMD与改进SMSVM的机械故障诊断方法

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。