四阶微分方程广义第二特征值的上界估计

考虑四阶微分方程广义第二特征值的上界估计，利用试验函数、Rayleigh定理、分部积分、Schwartz不等式和Young不等式等估计方法与技巧，获得了用第一特征值来估计第二特征值上界的不等式，其估计系数与区间的度量无关．     

多载波CDMA上行链路中的盲信道估计算法

介绍了OFDM 的多载波CDMA系统上行链路中的一种盲信道估计算法。通过分析接收端的信号， 利用接受信号和已知扩频码的二阶统计性估计出目标用户的信道脉冲响应。最后的仿真结果表明，该算法 比把目标用户以外的用户信息当作噪声的算法具有更好的性能。     

《周易》与信息融合一致性的研究

从基本思想、思维方法、模型结构及应用领域等角度对《周易》与信息融合技术进行了分析比较·将《周易》方法中信息采集、信息分类、信息处理、做出决策以及分类调整与信息融合技术中传感器信息采集、一级处理(目标优化、定位、识别)、态势评估、威胁估计以及过程优化进行了逐层比较·得出《周易》与信息融合在处理问题的方法上有内在的一致性,在预测和决策方面有其独特的方法,但不能精确、定量地给出判别·将《周易》宏观考察问题的方法与具体融合算法相结合,将会对信息融合技术起到指导作用·     

空间自回归模型中的强相合性

(n,n)表示在空间自回归模型Zij=αZi-1,j βZi,j-1-αβZi-1,j-1 εij中参数(α,β)的Guass-Newton估计,根据已知的结论:当α=β=1时,{n3/2)((^αn)-α,(^β)n-β)}收敛于二元正态随机向量分布即limn{n3/2(^αn)-α,(^β)n-β))′}(D→)N2(0,Γ),其中Γ=diag(2,2).利用双参数强鞅收敛定理,可以证明,当r<(3)/(2)时,nr(n-α,n-β)→(-0).a.e.     

左截断右删失数据下尺度参数与协变量相关时广义指数分布的估计及应用

在左截断右删失数据类型下,当时间变量T服从广义指数分布时,针对尺度参数是否受协变量影响建立两种模型,并用极大似然估计法给出参数估计,用Newton-Raphson算法求解参数估计.将两种模型分别应用到变压器寿命数据集和Channing house数据集中,得到了其生存函数和风险函数.     

用于信息传输安全的混沌编码调制跳变技术

为提高信息传输的安全性,基于信息熵和混沌编码提出了一种可用于调制方式加密的通信技术。该技术可以根据对实时信道信噪比的估计自适应地选择多种高抗噪性能的调制方式,并利用经过混沌加密的调制跳变提高信号传输的保密性能。通过仿真实验,用时变信道和7 种常用的调制方式,以及混沌的Logistic 映射实现了该技术,并证实了其有效性。     

自适应无迹卡尔曼滤波动力电池的SOC估计

无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.     

基于模型误差EKF-HIF算法的锂动力电池SOC联合估计

针对锂动力电池荷电状态(State of Charge,SOC)估计策略,提出了一种基于模型误差EKF-HIF算法的SOC联合估计方法。首先,通过建立电池等效电路模型,利用BP神经网络(Back Propagation Neural Network,BPNN)预测该电池模型误差。其次,推导扩展卡尔曼滤波(EKF)和H∞滤波(H Infinity Filter,HIF)算法流程,根据模型误差选择不同算法进行SOC状态估计。最后,通过仿真验证了该联合估计算法的有效性和可行性。     

基于RGB通道下模糊核估计的图像去模糊

图像去模糊旨在从受损图像中恢复出清晰图像。由于模糊过程未知,精确地估计出模糊核函数,成为得到清晰复原图像的关键。对于彩色图像来讲,现存的方法只考虑在灰度域估计模糊核。事实上,各个通道的色彩分量图所受到的模糊核函数的影响是不同的。为此,提出一种获得更加精确的模糊核的方法,利用彩色图像的3个色彩通道(RGB channels)代替灰度域分别进行模糊核估计,并将估计出的模糊核应用到基于细稀疏表示的复原模型中进行去模糊处理。仿真实验表明,提出的方法比目前的方法能够获得更好的图像复原效果。     

基于伪数据的机器翻译质量估计模型的训练

为向基于深度学习的机器翻译质量估计模型提供高效的训练数据, 提出面向目标数据集的伪数据构造方法, 采用基于伪数据预训练与模型精调相结合的两阶段模型训练方法对模型进行训练, 并针对不同伪数据规模设计实验。结果表明, 在构造得到的伪数据下, 利用两阶段训练方法训练得到的机器翻译质量估计模型给出的得分与人工评分的相关性有显著的提升。