科研成果在教学中的转化应用——以研究生课程为例

研究生课程教学关系到研究生基础知识的储备、治学品格的塑造和创新能力的培养。针对研究生课程学习的特点和教学要求所提出的综合性教学模式符合构建主义学习理论的主体思想，在研究生专业课程的教学实践中取得了良好效果，有效地激发了研究生的学习兴趣，使学生的知识、能力、素质得到协调发展、综合提高。     

浅谈现代室内空间设计

随着现代化社会的发展，城市化进度的加快，使人们在解决了温饱之后不但注意“衣、食”质量的提高，也开始把“住”的质量提到议事日程来。故此，人们对“家”的概念也在不断地发展与更新。然而“温馨”二字是一个家庭中不可代替的精神支柱，那么，室内设计中“温馨”情意的意境，则是创作的主要根据，同时也是衡量家庭装修好坏的重要标准。     

基于CKF算法的卫星轨道实时预报方法

卫星轨道实时预报常采用EKF方法,但是EKF应用于非线性度较大的系统时精度和效率都不高。CKF算法利用带权重的点对状态量进行估计,用球面积分的方法解决了求函数与高斯随机变量乘积的积分的难题,既不需要对函数进行线性化,也不需要计算Jacobin矩阵。将其应用到轨道的实时预报当中,通过仿真验证,表明基于CKF的卫星轨道实时预报方法对预报精度和速度均有一定程度的提高。     

基于时频方差聚类的FH信号参数盲估计

为解决复杂电磁环境下跳频(frequency hopping, FH)参数的盲估计问题,提出了基于时频方差聚类的算法。考虑在低信噪比(signal-to-noise ratio, SNR)和定频干扰同时存在的情况下,通过短时傅里叶变换(short time Fourier transform, STFT)将信号变换到时频域,利用遗传算法对信号的时频区间进行提取,根据时频方差对其进行k-means聚类,消除噪声和定频干扰并提取时频脊线,然后运用Haar小波对该时频脊线进行奇异点检测,进而估计出FH信号的FH周期、跳速和FH频率等参数。仿真结果表明,所提算法在SNR低于-5 dB且存在定频干扰的情况下,能够实现对FH参数的精确估计,参数估计正确概率达到90%以上。     

高速运动环境下GNSS接收机阵列抗干扰算法

全球卫星导航系统(global navigation satellite system, GNSS)接收机高速运动状态下,干扰信号来向快速变化将导致阵列抗干扰算法性能下降,为此提出了基于干扰加噪声协方差(interference-plus-noise covariance, INC)矩阵重构的零陷加宽算法。首先,依据采样协方差矩阵相邻特征值之比估算干扰信号数目。然后,利用空间谱估计值粗略判定干扰信号来向,并根据零陷展宽需求重新设定干扰区域空间谱估计值。最后,以干扰区域谱估计值为基础重构INC矩阵,求解阵列权矢量。仿真实验表明,相比于其他零陷加宽算法,所提算法在相同展宽下的零陷更深,阵列输出载噪比(carrier to noise ratio, C/N₀)也高出5 dBHz以上。     

高速运动环境下GNSS接收机阵列抗干扰算法

全球卫星导航系统(global navigation satellite system, GNSS)接收机高速运动状态下,干扰信号来向快速变化将导致阵列抗干扰算法性能下降,为此提出了基于干扰加噪声协方差(interference-plus-noise covariance, INC)矩阵重构的零陷加宽算法。首先,依据采样协方差矩阵相邻特征值之比估算干扰信号数目。然后,利用空间谱估计值粗略判定干扰信号来向,并根据零陷展宽需求重新设定干扰区域空间谱估计值。最后,以干扰区域谱估计值为基础重构INC矩阵,求解阵列权矢量。仿真实验表明,相比于其他零陷加宽算法,所提算法在相同展宽下的零陷更深,阵列输出载噪比(carrier to noise ratio, C/N₀)也高出5 dBHz以上。     

轨道数值积分方法适用性研究

轨道积分是人造卫星轨道预报和精密测定中的重要环节,由于卫星受力情况复杂,精确的二阶运动微分方程的解析解难以求得,所以数值解法是解决轨道积分问题的主要手段。数值积分方法可分为单步法和多步法,每一类方法都有其特点和适用范围,在实际问题中如果选择不恰当的积分方法,精度或者计算速度将不能达到要求。以精度和计算效率为主要衡量指标,对Runge-Kutta法和Adams-Cowell法进行仿真,分别研究了两种方法的性能与轨道偏心率和轨道高度的关系,为卫星轨道积分方法的选择提供了依据。     

改进时频脊线的跳频参数盲估计算法

为解决基于时频脊线的跳频参数估计算法在信噪比低于-5 dB时估计误差较大且存在定频干扰时方法失效的问题,提出了该算法的改进算法。在短时傅里叶变换(short time Fourier transform, STFT)的基础上,利用迭代去噪法对原时频图进行去噪处理,根据跳频信号与定频干扰驻留时间的不同,采用k-means算法对其进行聚类,消除定频干扰并提取其时频脊线,利用Haar小波对提取到的时频脊线进行奇异点检测,并估计出跳频信号的跳频周期、起跳时间和跳频频率。仿真结果表明,所提算法在信噪比低于-5 dB且存在较强定频干扰的情况下,仍能对跳频参数进行正确估计,且优于原有算法。