二阶自适应IIR陷波器复数算法的收敛性分析

针对背景噪声中复正弦信号的检测和估计问题,分析了自适应格型IIR陷波器的两种复数算法即梯度算法和简化的梯度算法的收敛性能,证明了输入白噪声方差的大小不影响收敛速度。并分析了由一阶自回归模型产生的有色噪声对算法的收敛性能的影响,为有色噪声中复正弦信号检测的自适应过程的参数的选取提供了理论依据。     

比例导引末端区特征与划分

制导末端区是制导系统失稳前一个很短的制导段,制导末端区的正确划分对制导系统设计指标制定和性能分析具有重要意义.基于目标最优机动条件下线性化导弹目标运动学模型,研究了比例导引制导系统在末端区的特性,根据制导系统时间常数和阻尼比变化特征,提出根据制导系统特征参数划分末端区的定义方法,仿真计算表明本文的定义方法是合适的.研究结论对制导系统设计,相关总体指标制定和性能仿真验证具有参考意义.     

机群出动能力的Markov模型

以往在评估武器装备的效能时,只注重其基本性能和作战能力,而忽视了包括出动能力在内的可用性指标,而作战仿真中这类指标往往是决定仿真真实性的关键。建立了有备份飞机条件下机群出动能力的Markov模型。根据故障率和所需出动飞机的数量,确定了备份飞机数量和维修组数,所模拟得到的数据曲线符合实际情况,可应用于陆基或舰基机群出动能力的评估和分析,其分析方法对优化飞机装备配备和保障资源配置具有重要意义。     

辽宁省粮食单产通道模式及施肥结构变化分析

以辽宁省1949~2005年粮食单产为原始数据,引入产量通道概念分析了辽宁省粮食单产变化趋势,同时分析了1980~2005年辽宁省农用化肥施用量和施用结构的变化。结果表明,辽宁省粮食单产整体呈上升趋势,单产通道对分析单产的变化趋势辅助作用很强;农用化肥施用总量呈上升趋势,其中氮钾肥用量持续增加,磷肥用量有所下降,复肥用量呈大幅度增加;农用化肥施用一定程度上推动粮食单产的提高,但无法改变气候等外界条件引起的粮食单产的波动。     

基于区间数的变权与状态变权

利用变权的方法对决策信息为区间数形式的多因素决策问题进行了研究.首先给出了区间数一种排序方法和区间数的四则运算与逻辑运算,并研究它们的性质;然后讨论区间数变权与状态变权的定义及其约束条件,给出若干区间数状态变权;最后证明了区间数状态变权的一个等价条件,并给出两个由已知区间数状态变权构造新的状态变权的方法.     

基于单载波PWM调制法的高压变频器建模与仿真

在分析高压变频器调制方法的基础上,建立了在MATLAB/SIMULINK环境下的级联型多电平逆变器的仿真模型,针对国内大多数流行的调制方法是基于一个正弦参考信号与多个三角载波相交进行比较产生脉冲信号,提出了单载波PWM调制方法.对多电平电压频谱进行仿真分析,并将其谐波特性与其它PWM调制技术进行比较,结果表明在单载波PWM调制法控制下变频器的输出波形中无论相电压还是线电压的谐波含量都很少,显示了良好的谐波特性.     

基于贝叶斯网络的复杂装备维修质量评价模型

针对当前装备维修质量评价忽视维修过程影响因素这一问题,将过程评价指标体系作为修后评价指标体系的先验知识,构建了一种基于贝叶斯网络的复杂装备维修质量评价模型。首先,建立了过程评价指标体系和修后评价指标体系,并对各项指标进行了简要分析。然后,建立了维修质量评价的贝叶斯网络模型,通过改进的模糊综合评价方法确定了根节点的先验概率,通过专家经验法确定了子节点的条件概率,并给出了模型的具体求解步骤。最后,通过算例仿真与分析对提出的方法进行了验证。结果表明,提出的方法能够在一定程度上解决复杂装备的维修质量评价问题,为完善复杂装备的维修质量评价理论提供了借鉴。     

基于区间云模型对信息网络的效能评估

根据信息网络的结构和应用功能,在分析高功率微波对构成信息网络的电子设备效应机理基础上,构建了多层次的信息网络系统的效能评估指标体系.将区间数与云模型相结合,提出了区间云模型的评估方法,通过区间层次分析法得到评价指标的区间权重,实现了系统评估指标的定性与定量的相互转换,并利用评价区间云模型拟合出信息网络的综合效能.结合实例模拟分析,验证了该方法可行性和有效性.结果分析表明,使用区间数表示更能体现评估过程中的模糊性和不确定性因素.     

正交投影阵列信号子空间估计方法

利用特征值分解构造信号子空间存在运算量大的问题,制约了子空间类参数估计方法的实时应用。提出一种新的正交投影阵列信号子空间估计方法,该方法不需要特征值分解,通过对阵列接收数据逐级进行正交投影分解构造阵列信号子空间的一组基向量,使得每个基向量方向上信号投影能量最大,从而保证所张成的信号子空间包含最大的信号能量。定义了衡量子空间估计精度的信号和噪声子空间估计误差函数。理论分析和仿真结果表明,所提方法计算复杂度低,且子空间估计精度优于特征值分解。     

基于SVM与Mean-Shift的非刚性目标跟踪框架

针对动态背景下,序列图像中的非刚性目标跟踪问题,提出了一种基于支持向量机(support vector machine,SVM)和均值移动(Mean-Shift)的序列图像目标跟踪框架。在初始图像中选择跟踪目标所处的矩形框,将目标框周围一定范围的像素作为背景。以目标和背景数据训练SVM二值分类器。运用得到的分类器对下一帧图像相同区域内的像素分类,得到二值的置信图(confidence map),在置信图范围内运用Mean-Shift算法求得当前目标位置,移动目标框和背景框的中心到目标位置,以10%的比例缩放目标框并选择最优者以适应目标尺度变化。以此时的目标像素和背景像素训练新的SVM分类器,进行下一幅图像的跟踪,直至完成整个序列图像跟踪任务。实验证明,该方法适用于动态背景及非刚性目标的跟踪,且实时性较好。