全球变化背景下的几个科技名词

随着人们对全球变化（global change）的关注和研究，这一领域出现了很多科技名词，对这些名词进行统一定名、合理释义非常必要。文章结合国际上全球变化问题的研究进展分析了几个典型名词。     

卡尔曼滤波过程的稳定性研究

卡尔曼滤波器的稳定性并不能保证实际的滤波器算法具有收敛性,而传统的关于滤波发散的判定方法是基于量测不能出现野值这一严格的假设条件,具有一定局限性;并且通常关于滤波发散只是一种定性的描述,具有一定模糊性。为此,考虑到量测可能出现野值的情况,从滤波发散的具体数学形式出发,提出了卡尔曼滤波过程的稳定性概念,在此基础上给出了滤波发散的判定定理,既消除了通常关于滤波发散描述的模糊性,又降低了通常判定方法的要求。     

一种基于模糊规则的非线性系统快速模糊辨识方法

针对以往模糊建模方法中算法中算法过于复杂的问题，提出了一种简单而有交的复杂系统模糊建模新方法。该方法是基于输入空间的模糊划分，计算给定样本在各模糊子空间的隶属度，并列用卡尔曼滤波算法辨识模糊模型的结论参数。整个辨识过程与模糊聚类方法和误差反馈学习方法相比所需的CPU时间最短。最后通过著名的Box-Jenkins煤气炉数据仿真结果证明了该方法的有效性与实用性。     

可变分区存储管理方式的模拟

论述了如何用C语言模拟可变分区存储管理方式的过程。形象地展示了操作系统中可变分区存储管理中采用的最佳适应算法的分配与回收过程，达到了理论与实践相联系的目的。     

论运动量的安排

针对目前,大多数运动训练中,运动量安排上的不合理的状况,笔者在体操领域中进行了探索。通过对苏联、日本队夺得世界冠军前的训练的有关数据的统计,并结合自己的经验,进行了研究分析,在理论上提出了“训练的适应征象”。并得出了大运动量与成绩密切相关的结论。并且对训练的负荷密度、强度问题做了进一步阐述。     

神经网络校正的EKF在高超声速目标跟踪中的应用

针对临近空间高超声速目标高度非线性、强耦合、高机动、时变参数、和独特气动特性等特点,综合运用军事运筹学理论与方法、系统建模技术、神经网络技术以及计算机仿真等,提出基于神经网络校正的扩展卡尔曼滤波(EKF)算法,并在高超声速目标跟踪中进行了应用研究。采取神经网络的学习能力来克服卡尔曼滤波发散问题,通过卡尔曼滤波后加一级误差处理环节使滤波收敛。仿真结果表明:该算法在目标发生较大机动时仍能保持较高的跟踪精度。     

一种子带适应的图象恢复最小二乘迭代算法

研究了基于子波变换的图象最小二乘恢复技术,提出了一种具有子带适应性的选代算法实验结果表明,采用该算法的恢复图象的质量和迭代收敛的速率均优于常规的空域解法．     

用进化规划思想优化径向基函数神经网络结构的均衡器

针对训练径向基函数(RBF)神经网络均衡器的随机梯度算法(SG)中,神经网络的结构是指定的并且所用训练样本较长的问题,引入进化规划思想,用进化规划方法确定径向基函数神经网络的结构,用基于最小均方(LMS)误差准则的自适应算法调整神经元到输出端的连接权重.蒙特卡洛仿真表明,用这种方法确定的均衡器可以达到与SG算法相同的性能,而所用训练样本很少,网络结构不需要事先指定.     

捷联寻的制导弹药的新型卡尔曼滤波器设计

针对捷联制导系统的自身特点,设计出用于估计导弹和目标在弹体坐标系中相对运动状态的卡尔曼滤波器,使滤波与制导在同一个坐标系即弹体坐标系内进行,避免了信息在弹体坐标系和惯性坐标系之间的多次转换,从而减少了信息损失.仿真结果表明,该方法能够满足捷联制导系统的要求.