基于统计公差和质量损失的公差设计

公差设计是产品设计的重要组成部分并直接影响到产品的实际生产成本。在传统的公差设计中,很少同时考虑质量损失和统计公差,因而采用传统的设计方法很难得到公差的最优解。基于产品的质量损失,利用公差-成本关系和统计公差的方法,建立了公差设计的优化模型,并应用遗传算法进行装配公差的分配。该模型以制造成本与质量损失成本之和为目标函数,以加工能力和功能要求为约束条件。最后通过齿轮装配体公差分配的一个例子来说明所提出方法和模型的优点。     

模型参数不确定的多响应参数和容差并行设计

针对模型参数不确定性问题,提出了一种考虑质量损失和制造成本的多响应参数和容差并行设计策略。首先,根据模型参数不确定与设计变量容差,构建多响应的质量损失函数;其次,通过试验数据建立容差成本模型,进而构建参数和容差并行设计的优化目标函数;然后,根据多目标优化算法得到最优参数和容差的Pareto解集,并采用单因素多元方差分析进行容差配置;最后,通过实际案例分析表明,该方法不仅改善了模型的预测性和稳健性能,而且获得了质量损失与制造成本之间的最佳平衡点,与传统的方法相比,能够在显著降低总成本的同时提高产品质量。     

基于非对称质量损失函数的分段参数设计

在产品的制造过程中,由于受到随机因素和系统因素等多种因素的影响,产品的质量特性不可能全部保持在目标值上,而是围绕目标值上下波动。偏离目标值就会产生质量损失,通常情况下,质量损失函数是围绕目标值的对称函数。但在实际中,存在非对称现象,此时利用对称质量损失函数进行参数设计的方法已经不合适。在非对称的情况下对质量损失函数及其质量参数进行设计,将非对称质量损失函数分成两段,每一段分别构造不同的对称损失函数,然后分别计算两端的质量损失,两者之和即为总损失。在此基础上,以质量损失最小化为目标,进行质量函数的稳健性和灵敏性设计。最后,通过实证案例进行可行性验证。     

多因素、多指标产品系统的建模与优化

针对产品系统多指标优化问题,综合考虑顾客对多个质量性能指标的需求,将与波动相关的质量损失和与容差相关的制造成本综合平衡,建立了一种多因素、多指标优化模型.各质量指标通过双响应曲面模型和田口质量损失函数确定,通过熵权系数法对各质量指标进行加权.然后考虑制造容差成本,建立最终优化模型,其目标为各质量指标的加权田口损失函数和制造容差成本之和最小.最后通过一个实例,验证了该模型的有效性.     

基于多变量高斯过程模型的贝叶斯建模与稳健参数设计

针对模型预测偏差和波动的稳健参数设计问题,在多变量高斯过程(multivariate Gaussian process,MGP)建模的框架下,结合质量损失函数和非线性优化约束方法构建一个新的多响应优化模型.首先,利用成对估计方法获得超参数近似值,构建多变量高斯模型;其次,结合MGP模型特征,构造充分考虑响应波动因素的质量损失函数.利用蒙特卡罗模拟方法,获得响应落入指定区间的期望概率;然后,以期望概率为约束,结合本文所提质量损失函数建立优化模型;最后,利用全局优化算法进行寻优,获得考虑响应期望概率的优化结果.实际案例和软件仿真表明,该方法综合权衡了预测偏差和预测波动引起的不确定性对优化结果的影响.获得了兼顾质量损失和期望概率最优均衡解,从而实现稳健参数设计.     

基于高斯过程模型的时空响应稳健参数设计

针对大规模时空数据的稳健参数设计问题,将快速不可分离高斯过程(fast nonseparable Gaussian process, FNSGP)模型与多元质量损失函数相结合,建立一个新的优化方案.首先,在考虑空间与时间相关性的条件下,使用FNSGP模型构建输入因子与质量特性之间的响应曲面,并采用前向滤波和后向平滑的快速、精确算法对模型进行估计和预测;其次,基于信噪比计算时空响应的联合损失权重,构造多元质量损失函数;然后,结合多元质量损失函数建立两阶段参数优化方案;最后,利用非线性优化算法寻找空间与时间因子的联合最优参数设计值.研究结果表明,本文所提方法可以有效地处理大规模时空数据的元建模与稳健参数设计问题,与可分离高斯过程、线性回归、随机森林等替代方法相比能够获得更为稳健的优化结果.     

基于Matlab的分布式并行优化计算环境

在对并行计算环境进行深入讨论的基础上，提出了基于Matlab的分布式并行优化计算环境的层次结构，并设计了初始化函数、发送接收任务函数、进行任务函数和回送并综合结果函数四大类的基本并行函数，这些函数都具有大粒度的特点。利用这些基础函数，实现了并行SQP。为伪代码的分析中表明，利用四类基本函数实现分布式并行计算是简单而有效的。     

无源双基地雷达随机初相补偿及误差影响分析

分析了在无源双基地脉冲雷达中,利用从直达波信号中提取的初始相位来补偿目标散射回波随机初相的过程。指出了由于接收通道噪声和天线噪声的存在,从直达波参考信号中提取的初始相位是一个随机变量。为使相位补偿误差影响分析结果并不依赖于哪一种特定的相位同步方案,给出了相参积累过程的一般数学模型和相位补偿误差的概率密度函数,推导了系统互模糊函数处理后的峰值输出,定义了相参积累损耗以分析相位同步误差的影响,并根据数学模型数值分析了不同信噪比条件下的积累损耗。结果表明,当直达波信噪比为30 dB时,相位补偿误差带来的信噪比损失约为0.3 dB,而当直达波信噪比大于40 dB时,相参积累损失可以近似忽略。     

考虑响应共变特性的多响应稳健参数设计

针对响应共变特性的稳健参数设计问题,在多任务高斯过程(multi-task Gaussian processes,MTGP)建模框架下,结合质量损失函数和考虑响应不确定性的优化函数构建了一个考虑输出响应不确定性的MTGP(uncertainty of MTGP,UNMTGP)优化模型。首先,利用MTGP模型拟合实验数据,构建考虑响应间共变特性对优化结果影响的多元高斯模型。其次,提出考虑输出响应不确定性的优化目标函数,构建多响应稳健优化模型。最后,结合全局优化方法,获得最优参数设计。此外,结合真实案例,利用质量损失函数的相关评价指标,论证所提方法的有效性。结果表明,所提方法考虑了响应共变特性和输出响应不确定性对优化结果的影响,有效改善了模型的预测质量,提升了输出响应的稳健性。     

基于CPS的相位误差估计算法

在基于星座相位特征（CPS）相位误差估计算法的基础上,对高阶QAM信号,利用循环相关函数的局部对称性,提出一种基于局部对称性检测的相位误差估计算法。此外,利用平稳信号相关函数小波变换后的性质,提出了两种基于循环相关函数小波变换的相位误差估计算法。最后详细分析了小波变换对高斯白噪声的影响。与CPS算法相比,基于对称性检测的算法在低信噪比下有一定的优势。基于Morlet小波变换的相位误差估计算法在低信噪比下性能最好,而基于Harr小波变换的相位误差估计算法在高信噪比下性能较好。     

一种新的低信噪比下的数字调制识别方法

针对数字调制识别在低信噪比下的应用,提出一种新的基于瞬时信息的调制识别算法。该算法一方面提出采用小波滤波器对信号的瞬时信息进行消噪处理,提高了调制识别算法在低信噪比下的识别能力;另一方面利用已有算法的3个特征参数σ_ap、σ_aa、和σ_fa以及在已有算法基础上改进的3个新的特征参数Ra、Rp和Rf,简化了识别过程,改善了低信噪比下的识别效果。仿真结果表明,该算法在信噪比低到5dB时,也能达到95.4%以上的识别率。     

基于LSTM的LEO卫星链路自适应算法

低地球轨道(low earth orbit, LEO)卫星由于其传输损耗低、地面干扰小等优点成为空天地一体化网络的重要组成部分。由于星地传输链路的时延大,现有卫星通信过程无法实时地进行信息交互,导致系统无法适应信道的变化。针对这个问题,提出了基于长短期记忆(long short-term memory, LSTM)网络的信噪比(signal to noise ratio, SNR)预测方法,并利用预测的SNR调整系统的调制与编码方案(modulation and coding scheme, MCS),使其与快速变化的信道相匹配。仿真结果表明,提出的基于LSTM网络的SNR预测方法可以达到较高的准确度,并且根据预测的SNR实时调整MCS的方案大幅度地提高了系统的总吞吐量。     

基于Beta过程的高分辨ISAR成像

对于高信噪比、完整回波、目标平稳运动等理想观测环境,现有成像技术已经较为成熟,可以获得聚焦良好的高分辨逆合成孔径雷达(inverse synthetic aperture radar, ISAR)像。但在实际中的方位回波缺损与低信噪比观测情况下,随机相位误差等因素会降低现有成像算法的性能甚至使其失效。本文首先建立了ISAR稀疏观测模型,并基于稀疏贝叶斯学习理论,通过引入Beta过程非参数先验构建层级概率模型,进而交替利用Gibbs采样及最大似然方法对ISAR像及随机相位误差进行估计。实验结果表明,所提方法在低信噪比、回波缺损等复杂观测环境下能够获得聚焦良好的ISAR图像。     

基于分层贝叶斯模型的稳健参数设计

针对双响应曲面模型的参数不确定性、参数之间的层次结构以及模型的异方差问题,结合分层贝叶斯建模方法提出一种新的均值-方差双响应曲面模型,并在此基础上运用所提方法实现了产品/过程的稳健参数设计。首先,建立分层贝叶斯模型,并获得参数的后验分布;其次利用Gibbs采样获得参数估计值,在此基础上构建质量损失函数,并采用遗传算法对质量损失函数进行优化求得可控因子的最佳设计水平;最后,从模型具有同方差和异方差两种情形出发,结合具体实例分别采用普通最小二乘、加权最小二乘及分层贝叶斯建立双响应曲面模型进行了比较分析,验证了所提方法的有效性。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

非合作双基地雷达发射天线扫描调制影响分析

在分析基于非合作脉冲雷达的机会探测系统特殊性的基础上,重点研究了发射天线在方位上机械扫描时,其天线波瓣图调制效应对系统相参处理输出信噪比的影响。为描述天线周期扫描对系统接收信号的调制规律,引入天线归一化场波瓣图的一般表达式,建立了直达波和目标回波信号的数学模型。然后,以理想条件下匹配滤波输出的最大信噪比为参考,推导了系统互相关处理后峰值输出的信噪比损失。最后,仿真分析了直达波和目标回波的信噪比变化对系统相参处理输出的影响,并给出了关于距离单元选择和接收机中频带宽设计的建议。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

抗干扰扩频接收机中的ADC设计

模数转换器（analog-to-digital converter, ADC）量化引入的信噪比(signal-to-noise ratio, SNR)损失是影响数字接收机性能的一个重要因素。根据ADC误差产生的机理,得到了关于量化位数和幅度因子（ADC最大量化电平与ADC输入电平的比值）的噪声表达式,求出了不同量化位数下的最佳幅度因子。针对存在干扰的情况,得出了ADC输出SNR关于输入SNR、量化位数和干信比的计算公式。计算结果表明,当要求输出SNR为-15 dB时,要实现30 dB、40 dB、50 dB和60 dB的抗干扰能力（量化损失小于1 dB）所需要的最小量化位数分别为5位、7位、9位和10位。