一种差分键控改进方案的性能分析

为了在保持各种性能不变的情况下,提高DCSK中信息的传输速率,提出了改进的DCSK方案。发送端传输1片的参考信号,接着传送2bit的信息信号,然后在接收端利用两个相关器进行相关解调后,把相关器的输出整流合并,就能恢复所需的信息信号。如果有相同的混沌信号发生器和相同的带宽,以及相同的信噪比,改进的系统能提高信息的传输速率。     

声重波激发的赤道Spread—F的拓扑特性研究

本文对声重波激发的Spread-F扰动的非线性制约方程的拓扑特性进行了定性讨论和数值计算．研究了Spread-F的混沌特征及参数范围．结果表明声重波在不同条件时对Spread-F的激发作用有本质的不同．     

大瑞利数下二维Benard对流演化过程的DSMC仿真研究

利用DSMC（Direct Simulation Monte Carlo）方法研究了大Rayleigh（瑞利）数条件下稀薄气体的二维Benard对流的特性。考察了流动的非定常演化过程及若干流动特征量随时间的变化特征，得到了与实验较为一致的结论。计算结果表明，当流动控制参数不断增大时，二维Berard对流从热传导状态过渡到热对流状态表现出明显的非定常演化特征。最后当瑞利数增大到一定程度后，注动显示出混沌的特性。     

对数正态分布海杂波背景下的雷达混沌检测方法

在研究海杂波具有混沌现象的基础上 ,运用非线性预测的方法对海杂波进行预测 ,然后把雷达目标检测中经典的二元判决问题转换成为对信号序列预测误差的分析 ,最后利用真实的海杂波数据进行了仿真 ,结果表明了该方法的有效性。     

基于多项式混沌法的翼型不确定性分析及梯度优化设计

耦合伴随方法和非嵌入式多项式混沌法，发展了高效、可靠的不确定性梯度优化设计方法。利用伴随方程法求解目标函数对不确定性变量的导数，发展了一种梯度增强型多项式混沌法。通过亚声速和跨声速下等多种算例可以证明该方法可以提高不确定性分析的效率和精度。同时，利用基于方差分解的全局敏感性分析方法对不确定性变量的敏感性进行了量化。建立了多项式混沌耦合伴随方程的统计矩梯度求解方法，并结合梯度增强型多项式混沌法搭建不确定性梯度优化设计系统。基于该优化设计系统对二维低亚声速和跨声速翼型开展确定性及不确定性优化设计研究。优化结果显示，相比于确定性优化设计，不确定性优化设计通过合理权衡确定性性能和不确定性性能，可提高抵抗马赫数和迎角不确定性扰动的能力，同时优化性能均值和标准差。其中阻力系数均值最大可降低17%，阻力系数标准差最大可降低80%。而确定性优化设计可能导致性能鲁棒性的降低。     

应用于超级电容储能系统的双向DC/DC变换器混沌控制方法研究

超级电容储能系统(SCESS)主要通过对双向DC/DC变换器进行控制来快速平抑直流母线电压的波动。为了抑制控制过程中所产生的一些分岔和混沌现象,提出了一种应用于SCESS的混沌控制方法。分析了该方法的控制原理,并根据非线性动力学理论建立了双向DC/DC变换器的离散迭代模型;然后设计了一种能够自动调节补偿斜率的混沌控制信号;最后对该信号作用下的异步切换函数和同步切换映射式进行了数值求解,从而绘出系统分叉图。通过仿真和试验证明,该方法能够有效抑制SCESS的分岔和混沌现象,提高了系统的稳定工作范围和动态响应速度。     

考虑外圈局部缺陷的滚动轴承非线性动力特性

 建立了考虑滚动轴承外圈局部缺陷、非线性轴承力和径向游隙等非线性因素的滚动轴承系统动力学微分方程,并用Runge-Kutta-Felhberg算法对其求解。利用分岔图、Poincaré映射图、频谱图以及均方值、峰值因子、峭度等时域参数,分析了滚动轴承的响应、分岔和混沌等非线性动力特性。结果表明：考虑外圈局部缺陷的滚动轴承系统存在多种周期、拟周期和混沌响应;滚动轴承系统进入混沌的主要途径是倍周期分叉;峰值因子比率在中、低速,峭度比率在低速时可以很好地识别外圈局部缺陷。均方值比率除了在与轴承动力特性有关的个别转速外,可以在较大的转速范围识别外圈局部缺陷。     

飞机发动机混沌振动信号盲分离检测方法

发动机混沌振动信号携带着丰富的状态信息,依据混沌振动信号进行状态监测及故障诊断是一种很有前途的技术手段,但由于混沌信号具有伪随机特性及在低频段具有宽频谱等特点,使得传统的方法很难将其从振动信号中分离。在提取混沌振动信号方面,使用快速独立分量分析（Fast ICA）盲分离方法分离出飞机发动机振动信号中的混沌信号。利用功率谱和Lyapunov指数（LE）方法进行了判定,根据计算结果对发动机状态做出判断,验证了盲分离方法分离混沌振动信号的有效。盲分离检测混沌振动信号的方法不仅使依据混沌信号判断飞机发动机状态成为可能,也为利用混沌信号进行状态预测和控制提供了一种方法。     

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的一种支持向量机,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。