信号频率-方向联合估计中的双旋转子空间法

提出了一种基于子空间2次旋转变换的频率-方向联合估计方法．该方法可同时估计空间信号频率和到达方向，其阵列由M个阵元组成，避免了复杂的阵列结构．计算机模拟结果表明，该方法不仅阵列结构简单，在中等SNR时具有良好的分辨性能，而且运算速度较快。     

一类短生命周期产品供应链的联合契约

研究了一类短生命周期产品的销售渠道协调问题。首先针对产品销售分阶段采用不同策略的现实，设计了回购和价格补贴相融合的联合契约，并构建了动态规划模型对其加以刻画；然后，给出了联合契约实现系统协调的必要紊件，并围绕协调利润分割方案给出了确定契约参数的方法；最后，得出了如下结论：(1)单一契约的两阶段模型均是该联合契约的特例；(2)联合契约可灵活实现双方的协调利润分割，并且实现系统协调仅依赖于系统的成本结构；(3)在高风险的市场环境下，供应商将成为缔结联合契约的积极倡导者。     

JTIDS相对导航性能分析和仿真

介绍了JTIDS相对导航的原理,研究了相对导航卡尔曼滤波算法和导航的源选择算法。分析了JTIDS相对导航的误差源,在TDMA消息分发机制中,编写了JTIDS相对导航模块并且进行了仿真,仿真结果体现了几种导航误差源的特性,为发展集成通信和导航系统提供了参考。     

多天线OFDM系统的线性优化

从Jakes信道模型出发,用KKT优化方法,从信道部分特性已知的情况推导了多天线OFDM系统中发射机与接收机的线性最优化设计问题。仿真比较了多天线OFDM系统的各个子载波之间采用合作的线性优化与非合作的线性优化两种方法在不同最大多普勒频移和反馈时延下发送符号的均方误差。仿真结果表明,当信道特性部分已知时,子载波之间合作的线性优化较之非合作的线性优化有更小的均方误差。可为存在反馈时延的多天线OFDM系统设计提供指导     

几种简化联合概率数据互联算法性能分析

针对最优联合概率数据互联算法复杂、运算量大的问题,目前提出了许多简化的联合概率数据互联算法。为了清楚地了解这些算法在不同环境下在跟踪精度、实时性等跟踪性能上的差异,对几种典型的简化算法进行了详细的性能分析。给出了简化算法的数学模型,然后从理论上对这些算法进行了优缺点比较,最后选取了多种典型的与实际工程背景相近的多目标运动环境,对几种比较有代表性的简化算法在这些环境下进行仿真实验,并根据仿真结果对它们各方面的性能进行综合分析。     

基于综合赋权的风险型多属性决策方法

讨论了属性值是有限区间上的连续型随机变量的风险型多属性决策问题。首先,通过密度函数的变换,研究了风险决策矩阵的规范化问题。基于主客观赋权的思想,建立了一个确定综合权重的模型,并给出了求解此类问题的一种方法。最后,以属性值为区间数的多属性决策问题作为特殊情况,给出了实例。     

燃气蒸汽联合循环燃料系统动力学建模的分析研究

为了提高燃气轮机联合循环动力学建模的精度和适用范围,对影响燃料量的因素进行全面分析.提出将燃料量作为复合自变量进行燃料系统建模的必要性,确立以燃料指令、分配系数、机组负荷、转速和燃料低位发热量作为其简单自变量,采用模块化的灰箱建模法建立燃料系统动态模型.对仿真与实际机组的燃料指令和流量之间的匹配关系进行了研究,提出以燃料设计热耗量为枢纽的仿真系统燃料流量修正方法,建立了更加精确的稳态模型,提高了联合循环动力学模型对于燃料种类变化的适应能力.利用所建立的模型对气、液燃料的切换、混烧过程及机组起动过程进行了数字仿真,分析研究了其动态特性,表明该模型的精度和适应性得到明显的提高.     

基于快速最小距离树的肝脏图像非刚性配准

为精确诊疗肝脏疾病,针对CT肝脏图像中呈现出与相邻器官灰度值相似、边界不清晰,仅靠灰度水平法难获得理想的分割结果的问题,采用快速最小距离树度量多维特征,构造了Renyiα-entropy能量函数,成功完成了atlas和待分割图像之间的非刚性配准,实现了肝脏的自动精准分割.该方法的分割精度较传统互信息法明显提高,较传统Prim算法分割速度更快.     

基于卷积神经网络的多天线Polar码联合解调-解码方案

为了验证运用神经网络进行信道解码的可行性,利用其提高短码长Polar码的译码准确率,提出了一种基于卷积神经网络(convolutional neural network,CNN)的多天线(multiple-input multiple-output)Polar码新颖联合解调-解码方案.搭建了一种包括4个卷积层,2个全连接层和1个输出层的卷积神经网络,采用最小均方误差作为损失函数,通过计算机生成了Polar码编码的多天线数据并对网络进行训练,使训练得到的神经网络能很好地提取出Polar码比特间的关系特征,从而拟合出Polar码译码函数.仿真结果表明,在相同信噪比条件下,基于CNN的Po-lar码联合解调-解码方案的误码率优于已有的基于全连接神经网络方案;所提方案在不同码率的仿真实验中的误码率皆优于基于全连接神经网络方案,损失曲线的收敛速度更快,显示了基于CNN的Polar码联合解调-解码方案具有更好的泛化能力和学习能力.