铝合金平板超高速撞击声发射信号S2模态特征分析

对铝合金平板上形成的超高速撞击(HVI)声发射(AE)信号S2模态的特征进行研究,分析其与损伤模式之间的关系。以3 mm厚5A06铝合金平板为研究对象,通过数值仿真获得不同撞击工况下的超高速撞击声发射信号,提取信号中的S2模态,并分析其幅值、能量、频谱等特征。结果表明,S2模态能量随传播距离呈指数衰减;分别随撞击弹丸直径和撞击速度的增加先下降后上升,且在弹丸直径与靶板厚度相近、临界撞击速度时最低。S2模态的中心频率随弹丸直径的增加而降低;随撞击速度的增加而增加;随传播距离的增加向1500 kHz移动。S2模态小波包系数呈凹性的频域范围分别随撞击速度和弹丸直径的增大变窄。在此基础上,当靶板形成穿孔损伤时,可根据S2模态的中心频率推测弹丸的直径;在传播距离和弹丸直径已知的前提下,可根据S2模态小波包系数呈凹性的频域范围推测撞击速度。     

基于求解校验序列的(n,k,m)卷积码盲识别

针对卫星通信和深空探测等采用的(n,k,m)卷积码盲识别问题,提出了一种新的识别方法。首先,根据卷积码本身的线性约束关系改进分析矩阵模型的构造方法,有效地减小了识别所需数据量。在通过矩阵化简识别出码长、码字起始位置和校验序列基础上,提出了由校验序列推导出生成多项式矩阵的方法,进而完成卷积码的识别。仿真实例表明,该识别方法不需要任何先验条件,能够有效识别所有(n,k,m)卷积码。     

多光谱手指静脉成像与采集系统设计

多光谱手指静脉图像信息采集对提高手指静脉识别性能具有重要意义,从活体组织的不同介质对不同波长的入射光有不同的散射和吸收性能这一角度出发,建立了多光谱手指静脉成像采集系统。重点介绍基于数码管控制芯片的多波段光源控制电路而搭建的硬件系统及设计的相应软件系统。该系统不仅解决了多模态手指静脉图像成像与采集的一些基本问题,而且为多光谱手指静脉识别奠定了数据基础和实验环境。这对促进手指静脉识别技术的发展具有重要意义。     

基于盒维数的灵巧噪声干扰识别方法

灵巧噪声干扰因兼有欺骗干扰和噪声干扰的特点,已成为1种干扰新体制雷达的有效样式,干扰识别也成为电子战领域研究的热点课题.针对卷积调制、数字多时延和间歇采样转发3种灵巧噪声干扰识别问题,通过分析干扰信号的产生机理和频谱特性,提出了1种基于盒维数特征的干扰识别方法.采用支持向量机进行分类识别,仿真验证了该方法具有较高的识别...     

机器人视觉系统模糊识别抓取物算法

针对机器人视觉系统对抓取物的模糊识别问题,参照人眼-脑识别对象的过程,建立了包括区域分割与模糊识别两个环节的识别算法.以视觉图像的灰度与色度特征作为区域分割与模糊识别的依据,从灰度、色度及形体特征上提取特征集的指标,并根据经walsh变换后图像灰度迅速向低频聚集的特点,提出基于walsh变换的基元模式识别特征的定义方法.在构建识别目标矩阵与关系矩阵的基础上,应用模糊关系合成与最大隶属度原则建立识别算法.该算法可从少量的采样点中识别出对象,具有较好的实时性.     

一种目标识别中基于关键点的仿射不变矩

针对常用仿射不变矩对轮廓边缘信息敏感的特点,提出了一种基于关键点的局部仿射不变矩,以分割出来的物体灰度图像为基础,首先计算出物体的质心,然后以质心为扩展点向周围引伸出多条射线,寻找每条射线方向上的最近灰度极值点,将所有灰度极值点当作关键点集合,并按照文中提出的计算仿射不变矩的方法提取出多阶不变矩,将其当作神经网络的输入向量,放入已经训练好的神经网络来达到识别物体的目的,将此方法应用在了飞机图像的识别上,实验结果证明此方法在物体轮廓分割不完整和有噪点污染的情况下能保持很好的稳健性,简单有效并具有较广的应用范围.     

基于韦尔奇功率谱的雷达辐射源信号识别

应用韦尔奇功率谱原理提取信号识别特征参数,根据提取出的参数特点设计信号识别流程模型。从多种信号中检测识别线性调频信号、相位编码信号、频率编码信号。分析了特征的适用范围和信号环境。仿真分析该特征提取算法和识别方法的可行性。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

基于脑电和眼动信号的人机交互意图识别

意图识别在人机交互（HCI）领域受到广泛关注,传统人机交互意图识别方法单纯依靠脑电（EEG）或眼动数据,不能很好地利用2种方法优点。为此,提出了一种融合脑电和眼动数据的人机交互意图识别方法,通过采集脑电和眼动信号,进行特征提取,输入机器学习模式识别网络进行意图识别,并基于Dempster-Shafer （D-S）证据理论进行决策层融合得出最终识别结果。招募了20名有效受试者进行交互意图识别实验,结果表明,基于脑电和眼动信号的人机交互意图识别方法识别准确率高于单纯依靠脑电和眼动数据的方法,可为下一步飞行器和武器系统人机交互系统自适应设计提供理论依据和技术支持。     

一种基于模糊隶属度的雷达辐射源识别新方法

在雷达辐射源识别中,一般采用隶属度来衡量知识参数和侦察参数的相似性,并以此进行识别,其难点在于隶属度函数的确定。针对这一难点,提出了一种新的脉间特征参数和脉内特征参数隶属度的计算方法,并提出了一种综合特征权值的计算方法,对雷达辐射源进行加权识别。仿真结果表明,这种方法的识别效果优于传统的识别方法。