一种基于软件无线电技术的低成本运动目标探测雷达

由于成本和频段规范的限制,民用的线性调频连续波(LFMCW)体制的毫米波雷达往往体积较小且作用距离较近。在一些对于作用距离较远的运动目标检测应用场合,现有的商用现成品(COTS)毫米波雷达无法满足要求。在现有商用现成品毫米波射频(RF)前端的基础上,设计了一种基于软件无线电(SDR)的线性调频连续波雷达原型,在一个以异构片上系统(SOC)处理器为核心器件的软件无线电平台上,采用距离多普勒处理的方法提高信号相干积累增益,通过增加较小成本获得了比现有民用毫米波雷达更大的改。实测验证表明,该雷达原型作用距离较远,并且具有灵活性高、成本低和小型化的特点。     

一种基于多线性映射的高效公钥广播加密方案

针对目前广播加密用户大小子集同时存在的情况,构造了一种高效的广播加密方案。在BWZ14方案的基础上,通过引入撤销用户集合、共享广播加密的部分密文信息,提高了广播加密在同时向大小用户集合发送信息的效率。新方案密文与用户私钥长度均为常数,公钥长度仅为O(lgN)。新方案同时满足标准模型下的选择明文安全性与抗合谋特性。实验结果表明,新方案安全高效,可广泛应用于实际通信中。     

工况特征参数对客车燃油经济性影响分析

为了获得实际车辆运行特征对车辆燃油经济性的影响,为车辆研发和能量控制策略制定提供重要的参考,对实际运行的城市公交和通勤车辆采集的大量数据进行了数据分析和预测方程的构建。运行数据来自于3辆公交车,6个月内118 d/10 s次的出行数据;测量的数据包括:时间、地理位置、车速、油耗等。通过数据计算和分析,获得了34个不同的运行工况特征参数(包括:负荷率,最高速度,平均速度,平均行驶速度,平均加速度,速度时间比例,加速度时间比例等)。采用统计方法研究了特征参数对于油耗的影响。结果表明,负荷率、平均速度和车速所占百分比与车辆油耗有强烈的相关性;且具有很高的稳定性;基于多元线性回归的方法预测特征参数变化下的燃油经济性,由于存在特征参数之间很强的线性关系,导致结果的不稳定。为了避免这种不稳定性,采用了基于因子分析的方法,获得了相互独立的若干个能够代表所有特征参数信息90%以上的代表性因子;然后采用多元线性回归分析得到的方程能够满足油耗预测的需要。     

混合广义部分线性加性模型的参数估计

广义部分线性加性模型具有参数和非参数2个部分,并且选择不同连接函数可以得到多种不同加性模型,是一种非常灵活的统计模型.有限混合模型是研究异质性总体的有效工具,扩展性很强,随着计算能力的不断提升,得到越来越广泛应用.本文将这2种模型相结合,提出混合广义部分线性加性模型(MGAPLM).首先给出模型的定义,并在一些温和条件...     

电场对中间神经元亚线性树突整合的调制作用

中间神经元的树突形态大多呈现出空间对称性分布,使得电场在其胞体附近引起的膜电位极化作用微弱,因此大多数研究认为电场对中间神经元难以产生调制作用.然而,电场在中间神经元末端的树突棘位置能够诱发较强的膜电压极化效应,远端的树突极化是否以及如何影响中间神经元的树突整合特性尚不十分清楚.为此本文针对分散和集中空间分布的AMPA类型突触输入,研究了电场对中间神经元全局和局部亚线性树突整合特性的调制作用.为了描述电场作用下树突对AMPA突触输入积分的潜在规律,首先建立了描述中间神经元输入-输出关系的简化电路模型,此模型具有多个被动树突分支且以不均匀细胞外膜电势表征电场诱发的极化效应;其次,基于奇异摄动理论分析了电场调节下的亚线性树突整合的动力学特性,推导出了可描述局部和全局树突整合的阈下输入-输出关系的渐近解析表达式.理论分析结果表明,电场通过改变AMPA突触输入的驱动力调节中间神经元局部以及全局亚线性树突整合特性,调制效应依赖于电场对远端树突的极化程度.相比于局部树突整合,电场对全局树突整合调制更敏感.最后,利用电场作用下具有真实树突形态的海马CA1区中间神经元模型仿真验证了理论分析结果.     

基于自适应未知输入观测器的多故障快速重构

针对一类非线性函数中耦合执行器故障的非线性动态系统, 提出一种基于自适应未知输入观测器的多故障快速重构方法, 通过引入比例项提高故障重构的快速性。首先, 将执行器故障进行解耦处理并构建包含传感器故障的增广系统。然后, 综合H_∞性能指标给出状态估计误差的稳定性证明。接着, 将观测器增益矩阵的求解转化为受线线矩阵不等式约束的非线性优化问题, 并实现执行器故障和传感器故障的多故障重构。最后, 结合单关节柔性机器人算例仿真验证了所提方法的有效性。     

不稳定子系统组成的离散时间切换系统区间观测器设计

目的 研究离散时间切换系统区间观测器的设计,实现所有子系统不稳定的离散时间切换系统状态估计,解决电主轴等复杂系统的状态监测.方法 针对不稳定子系统组成的离散时间切换系统设计区间观测器,通过构造一类递减Lyapunov函数,利用驻留时间方法给出误差系统的指数稳定条件.结果 在数值仿真中,所有子系统的状态不稳定,采用切换策...     

短时交通流预测FSMSVR模型

针对城市道路短时交通流的复杂非线性特点和以往的预测仅考虑典型交通条件（无交通事故等突发事件）的现状,结合交通流的特征,提出了一种有限状态机支持向量回归模型（finite state machine of support vector regression model,FSMSVR）的短时交通流预测机制. 通过线性回归算法和指数平滑算法划分交通流状态,根据各状态特点结合支持向量回归算法建立有限状态机工作机制,实现涵盖典型和非典型交通条件的短时交通流预测. 通过实验例证,对比了FSMSVR模型和传统SVR模型对城市道路6min交通流的预测,研究结果表明,该预测机制能够提高预测精确度,在非典型条件下有着较好的预测表现.     

Multi-label dimensionality reduction and classification with extreme learning machines

In the need of some real applications, such as text categorization and image classification, the multi-label learning gradually becomes a hot research point in recent years. Much attention has been paid to the research of multi-label classification algorithms. Considering the fact that the high dimensionality of the multi-label datasets may cause the curse of dimensionality and wil hamper the classification process, a dimensionality reduction algorithm, named multi-label kernel discriminant analysis （MLKDA）, is proposed to reduce the dimensionality of multi-label datasets. MLKDA, with the kernel trick, processes the multi-label integrally and realizes the nonlinear dimensionality reduction with the idea similar with linear discriminant analysis （LDA）. In the classification process of multi-label data, the extreme learning machine （ELM） is an efficient algorithm in the premise of good accuracy. MLKDA, combined with ELM, shows a good performance in multi-label learning experiments with several datasets. The experiments on both static data and data stream show that MLKDA outperforms multi-label dimensionality reduction via dependence maximization （MDDM） and multi-label linear discriminant analysis （MLDA） in cases of balanced datasets and stronger correlation between tags, and ELM is also a good choice for multi-label classification.