增强组合差分乘积形态学滤波的轴承故障特征提取方法

针对滚动轴承故障信号的非线性、非平稳、强噪声特性导致的常规时频域特征提取方法受限问题,提出一种增强组合差分乘积形态学滤波的轴承故障特征提取方法。在分析数学形态学4种基本运算的正、负冲击脉冲提取特性的基础上,运用级联、差分、乘积构造的一种新的组合差分乘积算子(combination difference multiply operator, CDMO)具备了同时提取正、负冲击脉冲的能力,并发挥梯度乘积运算对脉冲提取更敏感的优势,实现故障信息的充分提取。引入故障特征频率比指标优化CDMO结构元素参数,修正待处理信号的几何特征,提取与结构元素相匹配的信号特征信息。在CDMO滤波的基础上,借助三阶累积量切片谱技术能够抑制高斯噪声、突出二次耦合分量的优势,准确提取故障特征频率及其倍频,增强轴承故障特征提取能力并抑制噪声干扰。依托2种不同来源的工程实际信号并与经典故障特征提取方法对比分析,验证了所提方法的有效性。     

基于联合参数数字信号识别算法的研究

数字信号在敌情监测与侦查、卫星通信、非法电台监测等领域的使用极为广泛,因此对数字信号进行高效地识别、分析和利用具有重要的意义。为了改善信号的抗噪声性能和减小特征参数提取时的计算量,提出了一种利用联合参数对数字信号进行特征参数提取的方法。该方法先利用高阶累积量知识构造出三个参数,再利用信号瞬时幅度构造另外两个参数。最后基于联合参数法,利用神经网络对数字信号进行分类识别。实验结果表明,获取到的参数不仅能有效识别信号,而且当信噪比为10 dB时,识别的正确率可达95%以上,远远优于已有算法。     

利用循环相关特征的自适应模糊调制分类

针对非平稳数字调制信号,提出一种高阶正交循环累量特征,具有“屏蔽”干扰和噪声的特性. 采用模糊神经网络非线性动态建模的调制识别器,根据特征训练样本的大致分布状况建立蕴涵初始经验的模糊推理系统结构,再嵌入神经网络的结构和自适应学习算法对模糊系统参数进行调整和优化,完成模糊神经网络模型的逼近求精. 对MASK, MPSK, MFSK, MQAM 等信号进行仿真实验,结果表明系统在信噪比等环境参数变化较大的情况下适应性和容错性良好. 相对于神经网络等识别器,具有初始经验的系统结构更明确,建模周期较短,算法识别率和效率有明显提高.     

单模压缩奇偶相干态的四次方压缩特性

用单模压缩算子作用在单模奇偶相干态上即可得到单模压缩奇偶相干态.本文研究了这类量子态的四次方压缩特性,结果表明单模压缩奇偶相干态存在很强的四次方压缩特性,并且压缩程度随着压缩参量r的增大而增强.     

无限水深内完全非线性数值波浪水槽建立

基于无旋、不可压的势流理论,利用高阶边界元法建立了一种可应用于无限水深的无粘三维完全非线性数值波浪水槽.研究中,自由水面条件为完全非线性边界条件,进而可以模拟任意强的非线性波浪.将镜像格林函数应用到无限水深的数值波浪水槽中,以至于两水槽侧壁可以排除于计算域外.为了产生相应的入射波和吸收出流波浪,一个由点源组成的造波装置被布置在计算域内,同时在出流边界布置人工阻尼层来吸收出流波浪.线性的和完全非线性数值实验验证了所建立的数值模型可以用来产生无限水深的任何指定波浪,计算结果与解析解吻合得很好,且在出流边界没有反射.     

(d+1)维Heisenberg超薄膜的解析研究

采用变分累积展开法研究了超立方格点上任意自旋的量子ｈｅｉｓｅｎｂｅｒｇ薄膜的临界点。从自由能的解析性质出发,原则上能计算作为多层膜层数ｌ函数的临界约化温度θ＾（ｎ）（ｌ）到任意累积展开级次ｎ。给出了θ＾（ｎ）（ｌ）的前三级解析表达式和数值结果,并对结果作了分析和讨论。     

Parallel evolutionary modeling for nonlinear ordinary differential equations

We introduce a new parallel evolutionary algorithm in modeling dynamic systems by nonlinear higher-order ordinary differential equations (NHODEs). The NHODEs models are much more universal than the traditional linear models. In order to accelerate the modeling process, we propose and realize a parallel evolutionary algorithm using distributed CORBA object on the heterogeneous networking. Some numerical experiments show that the new algorithm is feasible and efficient. Foundation item: Supported by the National Natural Science Foundation of China (No. 70071042 and No. 60073043) Biography: Kang Zhuo (1970-), male, Lecturer, research interest: network computing and evolutionary computation.     

基于高阶累积量和瞬时特征的调制识别算法

从特征参数提取角度出发,提出了一种基于高阶累积量和瞬时特征的信号调制识别算法。该算法从调制信号高阶累积量中提取出稳健的特征参数,并结合改进的瞬时特征参数,采用决策树的方法对信号进行调制识别。与传统决策论识别算法相比,本算法特征参数较少,识别类型多。最后仿真结果表明,该算法在较低信噪比下具有很好的识别率（〉95％）。     

一类非线性时滞差分方程的全局行为

研究了非线性有理差分方程yn 1=yn αyn-kβ yn(n=0,1,…)解的全局行为.证明了方程在一定条件下的全局吸引性,推广了相关的已知结果.所得的结果解决了由Kulenvoic和Ladas提出的一个公开问题.     

基于四阶累积量的测向方法研究

针对MUSIC-LIKE方法能很好地扩展阵列孔径但计算量较大的问题,基于均匀线阵提出了一种快速提取阵列无冗余数据的新方法。该方法基于四阶累积量孔径扩展的原理,摒弃了原MUSIC-LIKE算法在均匀线阵DOA(direction of arrival)估计中的大量冗余数据,从而大大降低了矩阵运算的维数,降低了计算量。经过处理后的四阶累积量具有和二阶统计量类似的形式,因而可以将大多数业已成熟的基于信号二阶统计特性的阵列信号处理方法应用于四阶累积量中,计算机仿真证明了算法的有效性。