基于粗糙集和灰关联理论多传感器融合的雷达辐射源信号识别研究

粗糙集理论的上下近似集合可以刻画传感器对未知雷达辐射源信号的识别程度。从灰关联理论对传感器测得的原始数据计算出的不肯定度出发,计算每个目标与传感器测得的悲观解和乐观解距离。从而计算出目标与悲观解和乐观解间的灰关联系数矩阵。用假定的折中系数α、β计算出各传感器的侦察权重。再由灰关联系数矩阵和传感器权重得到各雷达辐射源信号的与悲观解和乐观解在传感器Sj识别意义下的灰关联度,最后计算融合判别函数得到融合结果。仿真实验表明,由粗糙集理论和灰关联理论相结合的多传感器数据融合的方法可以有效地应用于雷达辐射源信号识别,特别在是在降低多传感器引起的不确定性取得较好的效果。     

基于组合形态滤波与自适应广义形态滤波的ECG去噪算法

针对ECG信号中存在的基线漂移和高频干扰,提出了一种传统线性组合形态滤波与自适应广义形态滤波相结合的新的去噪算法。该算法首先采用传统线性组合形态滤波器滤除基线漂移,然后将无基漂的信号送入采用不同结构元素级联而成的自适应广义形态滤波器滤除高频干扰,最后得到无噪声的ECG信号。结果验证了本文算法的有效性。     

基于分数阶Fourier变换的多分量LFM信号的检测和参数估计

提出了一种基于分数阶Fourier变换的多分量LFM信号的检测与参数估计的方法. 针对分数阶Fourier域上的优化搜索问题, 提出了基于拟Newton法的两级搜索算法, 在不影响估计精度的前提下, 降低了计算的复杂度. 对于多分量信号的检测, 提出了分数阶Fourier域上的信号分离技术, 有效地抑制了检测过程中强信号分量对弱信号分量的影响. 并给出了估计误差的统计分析, 使得这一方法在理论上更加趋于完善, 仿真结果也证明了其有效性.     

基于EKF的Duffing振子正弦策动力判别算法

以Duffing振子系统为研究对象,分析了以正弦函数为周期策动力的Duffing方程基本形式及相应的振子运动,并用扩展卡尔曼滤波(extended Kalnan filter,EKF)对Duffing振子系统进行递推滤波,实现了对Duffing振子系统的稳定估计.根据滤波过程中周期策动力随卡尔曼增益的变化,提出了一种基于卡尔曼增益判别Duffing振子系统周期策动力的方法,可以作为运用Duffing振子进行弱信号检测的依据.仿真结果表明,与经典Lyapunov指数判别法相比,该算法具有更好的判别性能.     

高压共轨柴油机曲轴信号倍频研究

为了获取发动机高精度角度信息,实现更为精确的喷油正时控制,利用微处理器TC1796丰富的硬件资源,倍频曲轴方波信号并进行倍频后信号的误差分析。基于TC1796开发板,经过相应的硬件配置和软件设计,获得了高精度的曲轴倍频信号。利用此信号,在4缸4冲程高压共轨柴油机YN30CR上组织喷油正时控制,结果控制精度大大提高,验证了此倍频方法的可靠性和稳定性。     

基于频域积分的车体变形量间接获取方法及应用

为了探究动车组高速行驶安全性能,针对动车组车体受到气动载荷产生的变形量进行研究.在测试环境及位移传感器安装条件受限的情况下,采用测量车体表面加速度信号间接获取车体变形量的方法,对加速度信号进行去除趋势项、数据平滑等预处理,通过傅里叶变换在频域内进行滤波和积分处理,再获得时域位移信号,且通过实验对比积分所得位移信号曲线和...     

转录组分析sgf73基因缺失对粟酒裂殖酵母生长代谢影响的分子机制

为研究粟酒裂殖酵母sgf73基因缺失后的关键基因和关键代谢通路,采用RNA-Seq测序技术对野生型酵母菌株及sgf73基因缺陷型菌株进行测序及生物信息学分析,并进行GO和KEGG功能富集分析.结果表明：sgf73基因缺陷型菌株中高表达基因有1 834个,极高表达基因有6个,且有1 714个差异表达基因,包括934个上调基因,780个下调基因;sgf73基因敲除导致细胞代谢和跨膜转运过程异常变化;MAPK信号通路中参与周期调控cki1,cki2和cdc25基因的下调导致sgf73Δ菌株有丝分裂时间延长;调控细胞骨架rgf2,rho1和stt4基因的下调导致sgf73Δ菌株肌动蛋白环收缩异常.     

一种新型的调频同频信号插入器

调频同频信号插入器是有线调频、有线电视信号传输系统上的重要设备。让其实现低功耗、低成本并且接入方便维护简单是一个重要的课题。对此,提出了一种新型的调频同频信号插入器,适用于光纤与同轴电缆相结合的混合网络,可以广泛应用于现有广播电视系统。它主要采用了频率陷波技术,在滤除前端特定频率信号的同时,接入传输与前端同频的本地模拟与数字信号,有效地利用了本地区域内原有的有线广播电视设备。实验表明,该设备对原有线路没有任何干扰,并且能构建一种新颖简洁的调频播出系统模式,相比区域无线调频广播与区域有线共缆广播方式有很大的优势,具有很高的经济与实用价值。     

最小错误准则下多传感器信号检测与调制识别

针对多传感器分布式接收中的弱信号检测与调制识别稳健性不足的问题,提出了一种基于深度学习的联合处理算法。该方法采用分布式软信息融合处理策略,将信号检测与调制识别综合为一个多元假设检验问题,借助深度神经网络优异的函数逼近能力,在对网络结构、目标函数和网络输入输出进行分析基础上,给出了基于深度神经网络的联合后验概率求解及分类判决方法。通过仿真实验对所提方法性能进行了验证,结果表明,该方法能实现多个传感器信号有效融合,并且随着接收单元数目增加,分类准确率明显提升;与现有基于等权值合并的置信度融合方法相比,该方法性能更优,且在低信噪比、短数据和接收单元数目较多时优势体现更加明显。