特征数为2的有限域上对称矩阵的结合方案

1.结合方案与编码、设计及有限群理论有着密切的联系.1965年,万哲先讨论了由有限域上n×n Hermite矩阵构作的结合方案,并且计算了n=2时这个方案的参数.后来,本文第一作者对于这个方案的参数给出了一种递推的计算公式,并且把这种方法推广到交错矩阵和m×n矩阵构作的结合方案.近来,霍元极和祝学理,万哲先和霍元极相继讨论了特征数不为2的有限域上对称矩阵的结合方案.本文是这方面工作的继续,讨论特征数为2的有限域上对称矩阵的结合方案.关于结合方案的定义及参数的基本关系式可参见文献[1].     

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练,深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法,来解决小样本的旋转目标检测难题。首先,针对样本不具有各种角度的图片,对样本进行旋转后进行背景填充,这样便于更好的表征学习。其次,提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后,为了测试算法在特征学习后的有效性,利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。     

模态测试不确定性影响因素分析及传感器布置应用

模态测试结果的准确性会受测试数据采集、数据处理、建模假设和参数估计等不确定性因素的影响. 为研究模态测试中模态参数的不确定性水平及不同影响因素对其的影响规律,本文采用状态空间模型和费希尔信息矩阵的快速模态参数不确定性分析方法,探讨包括振动信号的采样时长、采样频率、采样信噪比和结构的阻尼比等多种因素对模态参数不确定性水平的影响,同时提出利用模态参数不确定性水平来优化传感器布置策略的实用性建议. 结果表明：模态参数的不确定性水平随采样时长、采样频率、信噪比和传感器数量的增加而降低,随结构阻尼比的增大而升高;对于均匀分布结构,多数传感器布置在结构顶部和中上部,少数布置在中下部时,模态参数的整体不确定性水平较低,是一种相对较优的传感器布置方案.     

层次分析中判断矩阵排序的新方法——广义最小平方法

提出了判断矩阵排序的一类新方法——广义最小平方法（ＧＬＳＭ）,并研究了其优良性质,同时给出了其收敛性迭代算法和仿真实例。理论分析和仿真结果表明：应用ＧＬＳＭ是可行且有效的。     

层次分析新标度法

针对（０,２）ＥＭ法及（１／９,９）ＥＭ法的不足,提出了效果较好的（－２,２）ＥＭ法。     

基于凸多面体不确定网络化系统的鲁棒无源滤波

研究一类同时具有时变时延和测量数据丢失的不确定网络化系统的鲁棒无源滤波器设计问题。时变时延假设在一个已知的界内随机变化。测量数据的丢失是随机发生的,假设满足Bernoulli分布随机序列。采用线性矩阵不等式方法,给出了全阶和降阶的鲁棒无源滤波器存在的充分条件。所设计的滤波器使得滤波误差系统是均方指数稳定并满足给定的无源指标。最后数值仿真表明所提方法的有效性。     

两类决策系统中规则获取的联合决策矩阵算法

提出了联合决策矩阵的概念以及基于联合决策矩阵的两类决策系统规则获取算法.将条件属性等价矩阵和决策属性等价矩阵合并到一个矩阵中,大大减少了矩阵生成过程的比较次数,能有效提高算法的效率.用一个实例说明了算法的执行过程,并通过算法复杂度分析与实验结果对比,进一步说明了该方法的有效性.     

基于二维混合模型的鲁棒迭代学习控制设计

针对一类正则线性不确定系统,提出一种基于连续/离散二维混合模型的迭代学习控制设计方法。首先,通过独立地考虑迭代学习控制系统连续的控制行为与离散的学习行为,建立迭代学习控制系统的连续/离散二维混合模型,将迭代学习控制器设计问题转化为一类连续/离散二维系统的状态反馈控制问题。然后应用二维连续/离散系统方法,获得迭代学习控制系统稳定性条件。最后根据稳定性条件,利用线性矩阵不等式方法,求得迭代学习控制器参数,它通过Matlab工具箱可以方便的获得。与现有方法相比,所提出的迭代学习控制器利用了输出误差以及状态变化的信息来修正当前的控制,因而设计方法更加符合其本质特征,具有简单实用、直观明了的特点。数值仿真实例验证了所提方法的有效性。     

基于离散正则模型的时变信道盲辨识算法

以CDMA时变信道离散正则模型为基础,提出了基于改进的矩阵外积分解的时变信道盲辨识算法。算法对传统的矩阵外积分解算法进行修正,使其适应离散正则模型两级盲辨识,并引入了精确的时延阶数估计,克服了现有算法需要预先知道信道时延实际阶数的局限,使其在仅知道信道阶数上界的条件下完成盲辨识。仿真结果表明了该算法的有效性。