基于回转输运试验的煤散料离散元接触参数修正

为获取精确的刮板输送机离散元模拟结果，基于回转输运试验，通过响应面法对煤料的接触参数进行修正.采用Plackett-Burman试验考察接触参数对受力及堆积角的影响，发现煤-钢静摩擦系数、煤-煤摩擦系数具有显著正效应.根据爬坡试验结果，以受力及堆积角为响应值规划Box-Behnken试验，建立受力、堆积角与显著项间的二次回归多项式，以实测数据为目标值求得最佳参数:煤-钢静摩擦系数为0.401，煤-煤静摩擦系数为0.333，煤-煤滚动摩擦系数为0.041.通过不同输运条件下的回转试验验证了参数的准确性，为刮板输送机的离散元研究提供参考.     

基于自适应形态学的跳频信号参数联合盲估计

跳频通信的应用大大提高了军事装备的抗干扰和抗截获能力，使得跳频对抗技术面临严峻的挑战。为解决传统形态学跳频信号参数估计方法中结构元素选择困难问题并提高估计精度，提出了一种基于自适应形态学的跳频信号参数联合盲估计方法。首先，对跳频信号进行短时傅里叶变换获取谱图。然后，从其时间轴投影中获取结构元素尺寸的知识, 设计自适应形态学滤波器抑制谱图噪声, 提取跳频图案初步估计跳频参数。最后, 引入最小二乘估计方法, 对跳频周期和跳变时刻进行精估计。仿真结果表明，此方法能够同时估计出跳频频率、跳频周期和跳变时刻, 不需要其中某一种参数作为先验条件, 在复杂的通信环境也能够保持良好的估计性能。     

综合控制系统的动态输出反馈控制器设计

为进一步对控制系统进行系统分析与设计,对离散时滞奇异摄动不确定控制系统设计动态输出反馈控制器,使闭环系统渐近稳定.针对时滞依赖和时滞独立两种情形进行讨论,构造一种新的二次求和型李雅普诺夫泛函.利用交叉项界定方法对泛函差分过程进行放大,并综合运用引理消除系统的不确定性,推出动态输出反馈控制器在时滞条件下存在的充分性判据,扩大控制器的摄动控制范围.对所得结论进行推广,通过算例验证该方法的有效性和可行性,并通过对比相应文献,说明所得控制器具有一定的优越性,可使闭环系统渐近稳定.不仅符合设计要求,而且能达到二次调节控制效果.     

基于改进边际优化的离散变量优化设计算法

针对传统离散变量优化方法存在的目标函数测算次数多、收敛性不佳等问题,借鉴边际优化理论和模式搜索算法,设计了一种基于改进边际优化的离散变量优化设计算法。借鉴边际效用优化原理,通过引入周围单位步长空间的概念,在初始点选择、边际增量设计、禁忌搜索策略等方面进行了改进,并设计了变异操作以跳出局部最优。实例分析表明,所提算法能够快速准确地收敛到局部最优解,实现以尽可能少的目标函数测算得到问题的满意解或最优解,适合于求解高维离散变量优化问题和仿真优化问题。     

一类离散左定Sturm-Liouville问题的谱

考虑了边界条件依赖特征参数的一类离散左定Sturm-Liouville问题的谱,得到了特征值的交错性以及特征函数的振荡性。     

Curvelet域GPR数据噪声压制与高频补偿方法

提出GPR数据Curvelet域随机噪声压制与高频补偿同步处理方法.首先，将GPR数据变换到Curvelet域，结合其多角度、多尺度的稀疏性，给出随尺度和角度变化的自适应阈值函数进行随机噪声的压制;其次，根据电磁波在完全弹性介质中的传播规律，结合Curvelet的多尺度多角度特性，求取时变补偿因子，倒数加权对应的尺度、角度，补偿高频损失;最后，进行Curvelet反变换，获得随机噪声压制与高频补偿以后的GPR数据.该方法属于完全数据驱动，克服了传统方法人为因素的影响.     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

Doubling Fock空间之间的正Toeplitz算子

设F~p(φ)为复平面C上的加权Fock空间,其中φ为次调和函数,ΔφdA为doubling测度.本文利用均值函数与t-Berezin变换刻画了F~p(φ)(0p∞)与F~∞(φ)之间具有正测度符号的Toeplitz算子T_μ的有界性和紧性,拓展了已有结果.     

基于CSI离散指纹的轨迹跟踪方法

针对从Wi-Fi设备中获取的接收信号强度(RSSI)在定位过程中误差较大的问题，设计了一种基于信道状 态信息(CSI) 离散指纹的轨迹跟踪方法．首先经过汉佩尔滤波，巴特沃斯低通滤波去除了CSI异常值和噪声的影响， 然后利用线性回归算法去除相位的频移误差，继而采用协方差矩阵特征值法进行特征提取，最后通过基于CSI子 载波权重的主成分分析法进行了无源定位和轨迹跟踪．实验结果表明: 离散指纹点定位的平均正确率在 90%以上， 所设计的算法能有效实现对室内人员的定位和轨迹跟踪．