基于小波和神经网络的目标识别方法

基于高分辨一维距离像，对雷达信号目标识别的小波分析和神经网络方法进行了理论研究和实验分析。小波变换起到了数据压缩作用，并且用不同的小波得到不同的结果。ISAR获得的三种飞机目标真实回波数据所形成的一维距离像作为实验数据，并且用神经网络对目标分类器进行了设计。     

自动调制度测试仪的研制

研制了以单片机为核心的自动调制度测试仪.该仪器具有如下特点:宽频率范围测试信号自动跟踪,输入载波频率范围1.5-2000 MHz;宽动态范围载波电平自动调整,输入载波电平范围0.01-1 V;低失真高灵敏度,低频输出失真≤±1％,实测灵敏度为2-3 mV.     

高分辨雷达-维距离像稀疏表示技术

高分辨雷达回波信号处理和特征提取技术受到广泛的关注.针对雷达目标几何绕射参数化模型,采用稀疏成份分析方法研究了高分辨距离像的超分辨重构和特征提取问题,分析了正则化函数的指标参数对信号重构性能和计算复杂性的影响,在此基础上提出了一种具有稀疏表示能力的正则化函数,实现了目标散射中心的有效分离.数值结果也验证了该方法的合理性和有效性.     

舰船目标雷达回波特征信号的建模与仿真

目标建模与特征信号仿真是雷达对目标进行探测与识别的重要前提和基础。针对宽带条件下大型舰船目标的雷达特征信号难以进行实测和缩比测量的难点，采用面元法对目标的雷达散射截面（RCS）进行了有效的预估，通过多频点RCS成像方法获得目标的一维距离像特征信号。给出了具体建模和仿真计算的实例，并进行了详尽的结果分析。     

正交异性钢桥面板闭口加劲肋对接焊缝疲劳性能评价

根据等效应力幅的概念,采用国内2座大桥近半年的交通数据对闭口加劲肋的疲劳性能进行评价.闭口加劲肋对接焊缝处应力影响线较短,通过车型的调查可以将车辆荷载转化为轴型荷载加载应力影响线,从而避免数值模拟实际车流.通过与我国钢桥规范推荐评价方法对比可以看出,采用统计的轴型荷载计算得到的等效应力幅小于规范评价方法得到的计算结果.并对我国钢桥规范中的损伤等效系数的取值进行了讨论.     

基于描述函数法的直线增程器动力学模型极限环分析

基于一个简化的直线増程器动力学模型,运用描述函数法在频域对直线増程器的极限环进行研究.以描述函数表示直线増程器动力学模型的非线性部分,利用描述函数和线性部分频率响应函数的图像对系统极限环的存在性、数量和稳定性进行了分析,进而求出极限环的近似频率和振幅.同时研究了直线増程器关键运行参数对极限环的频率、振幅和相对稳定性的影响.最后,以一样机的试验数据对分析结果进行试验验证.研究结果表明,在适当的系统参数下,直线増程器在物理约束范围内存在唯一的稳定极限环;喷油量和电磁力负载对极限环的频率和振幅都有影响;极限环的幅值与其相对稳定性存在关联.     

某办公建筑热舒适及能耗的正交法优化

以重庆某采用地板送风加辐射供冷空调系统办公房间为研究对象,考虑送风速度、送风温度、辐射顶板温度、辐射顶板安装高度等影响因素,以房间热舒适度和能量利用系数的综合评分为优化目标,运用正交法建立4因素3水平正交方案,通过数值计算和极差、方差分析得到各因素对综合评分影响次序,从而得到最优方案,并为此类型空调系统设计提供了参考.     

球笼式万向联轴器试验设计与性能分析

实际使用过程中发现：转速、摆角、扭矩是导致球笼式同步万向联轴器本体发热量过大、寿命降低的主要原因.本文采用正交试验法对球笼式同步万向联轴器的性能进行测试,利用极差分析法对正交试验结果进行分析.结果表明对球笼本体发热量大小的影响程度依次是转速、摆角、扭矩,最后对球笼式万向联轴器的设计提出了建议.     

基于跳跃时间和幅度的BDI指数波动幂律分布特性研究

BDI指数是国际航运市场的风向标,摸清BDI指数波动幂律分布特性,对于进一步掌握运费规律、预测BDI趋势、协助航运决策等方面具有重要意义.基于此,本文对已运行30年BDI指数的波动幂律分布特性进行了详细研究,主要特色有:一是借助Pareto、Exponential以及Fokker-Planck函数首次深入探讨了BDI指数波动幂律分布特性.二是在跳跃识别的基础上,构建了基于跳跃时间和跳跃幅度两标度的BDI指数波动幂律分布特性分析模型,并转化成最小二乘法的线性回归测算模型.三是对BDI指数日、周和月增长率的跳跃时间和跳跃幅度幂律分布特性进行了实证分析.结果表明:BDI指数具有尖峰薄尾的增长率分布和波动聚集性;Fokker-Planck函数拟合BDI指数增长率跳跃时间更合适;Exponential函数拟合BDI指数增长率跳跃幅度更合适;BDI指数增长率跳跃时间和跳跃幅度都具有薄尾幂律特性,且向上、向下幂律呈现对称性.     

Predicting Stock Return Volatility: Can We Benefit from Regression Models for Return Intervals?

We study the performance of recently developed linear regression models for interval data when it comes to forecasting the uncertainty surrounding future stock returns. These interval data models use easy‐to‐compute daily return intervals during the modeling, estimation and forecasting stage. They have to stand up to comparable point‐data models of the well‐known capital asset pricing model type—which employ single daily returns based on successive closing prices and might allow for GARCH effects—in a comprehensive out‐of‐sample forecasting competition. The latter comprises roughly 1000 daily observations on all 30 stocks that constitute the DAX, Germany's main stock index, for a period covering both the calm market phase before and the more turbulent times during the recent financial crisis. The interval data models clearly outperform simple random walk benchmarks as well as the point‐data competitors in the great majority of cases. This result does not only hold when one‐day‐ahead forecasts of the conditional variance are considered, but is even more evident when the focus is on forecasting the width or the exact location of the next day's return interval. Regression models based on interval arithmetic thus prove to be a promising alternative to established point‐data volatility forecasting tools. Copyright ©2015 John Wiley & Sons, Ltd.