基于期望最大化加速算法的正交频分复用信道估计

针对基于期望最大化（EM）迭代算法的正更频分多路复用（OFDM）信道估计方法复杂度高、收敛慢，严重制约OFDM的传输速率的缺陷，提出了一种基于EM加速算法的OFDM信道估计方法．该方法基于拟牛顿加速算法，并结合一种带调整参数的Broyden对称秩1校正公式来实现，具有二次收敛性，提高了EM的计算速度，降低了计算复杂度．仿真结果表明，相比于空间选择期望最大算法，在性能损失只有0．1dB的情况下，EM算法的复杂度得到很大的降低，且其计算速度可提高十几倍．     

非线性离散时滞系统的模糊H∞鲁棒控制

针对一类具有时滞的非线性离散系统的控制问题，通过对其进行模糊建模，设计了H∞鲁棒控制器．利用构造的Lyapunov函数和线性矩阵不等式，证明并给出了模糊H∞鲁棒控制问题有解的充分条件．依据由模糊规则和线性系统方程建立的模糊模型，所设计的控制器使系统具有更好的鲁棒稳定性，干扰抑制能力强，满足成本上界约束条件．算例仿真结果表明，所设计的模糊控制器对不确定性和时滞都有很好的控制能力，同时系统对干扰有很强的抑制能力．     

在线增强型复值混合信号盲分离算法研究

基于二阶统计量，对在线分离复值混合信号法进行了研究．假设源信号是独立的且非常态，信号的伪协方差矩阵能增加约束条件，从而可证明二阶统计量能够完全分离复值混合信号，而且对信号是否平稳不作要求．结合非常态信号的独立性，构造出代价函数，利用梯度下降法推导出在线盲分离算法．通过盲分离算法的仿真试验，发现所提出的盲分离算法能充分利用复值非常态信号的二阶统计量，算法具有鲁棒性好、运算速度快和可在线实现等优点．     

基于Pareto最优的概念结构方案多目标决策方法

介绍了一种由概念设计结构方案选择的多目标决策方法．该方法根据多目标Pareto最优原理，将sPareto边界定义为一种设计方案集的Pareto边界，直接反映了各方案间的折衷，从而可剔除支配方案，保留竞争方案，并利用最小sPareto解集量化竞争方案性能，实现了方案的定量评价．在此基础上，通过设定不同的偏好区域，以交互方式研究设计解空间，从而可辅助设计者做出满意的方案决策．     

内隐学习理论—英语教学的新视野

内隐学习是人类自身认知能力和认知方式的重大发现，对诸多领域特别是教育领域具有启示和指导作用，为英语教学提供了新的视野。本文将结合认知心理学内隐学习理论的最新研究，探讨该理论对我国高校大学英语教学，特别是语法教学，语感培养方面的启示。     

EMV和EUV理论在投资风险决策中的应用

期望货币值(EMV)客观分析几种情况出现的收益或亏损值及可能出现的概率;计算期望值(EUV)进行方案决策,但是它没能体现投资者(决策人)的价值观、偏好、经济承受能力.期望效用值准则是决策者在确定环境下对每个方案的隐含价值或偏好的一种量度,正好补充了期望货币值的不足,两者结合能够取长补短,达到更符合实际的决策方案.     

相关误差的变系数模型的估计

在误差相关的情况下，使用局部线性方法给出变系数模型的估计，并讨论估计的渐近正态性。     

柴油机振动信号的小波包奇异值降噪

柴油机的振动信号中含有大量噪声,在进行故障特征提取之前必须加以消除.首先对傅里叶滤波降噪、小波降噪和小波包降噪的效果进行了对比,然后将奇异值分解技术用于信号降噪,最后提出了一种将小波包和奇异值分解相结合的降噪方法.该方法将输入信号进行一次小波包分解,利用奇异值分解方法对分解后的幅值量化系数进行降噪.实例表明,小波包和奇异值分解相结合的方法降噪效果最好.与其他方法相比,用新的方法对柴油机缸盖振动信号进行降噪处理的信噪比最高,且能明显识别出燃烧爆发、气门落座等各个阶段的振动信号,大大提高了特征提取的准确率.     

8阶二元广义割圆序列的线性复杂度

为了从剩余类环上的二元广义割圆序列中寻求满足需要的密钥流序列,考虑了双素数积剩余类环Zpq上的一类二元广义8阶割圆序列,利用有限域理论,给出了该序列在不同情形下的极小多项式,进而得到了它的线性复杂度.结果表明,该序列有很好的复杂度性质,可以通过选取适当的奇素数p和q,使得其线性复杂度足够大.     

注入比对水平井筒压降影响规律的研究

采用定常湍流N-S方程,数值模拟了水平井筒湍流变质量流场,通过分析轴线压降和孔眼附近三维流线图,研究注入比对水平井筒压降的影响规律及混合压降产生的机理.结果表明,存在一个临界注入比,当注入比小于临界注入比时,射孔入流流动形式主要表现为紧贴壁面的附体流动,对主流扰动小,此时混合压降很小甚至可以忽略,总压降损失近似等于没有孔眼入流情况下的摩擦压降损失;当注入比大于临界注入比时,孔眼入流可以深入主流并在孔眼下游出现低压分离区,引起混合压降损失,该压降损失随注入比的增大而显著增大,从而导致总压降随注入比增大而急剧增加.