具变时滞Lotka-Volterra系统的全局渐近稳定性

利用Lyapunov函数方法研究了具变时滞Lotka-Volterra系统的渐近稳定性, 得到一些新结果, 推广并改进了已有的一些相关结果.     

序列分数阶系统的渐近稳定性

根据Lyapunov稳定性理论,研究了由序列分数阶线性定常微分方程描述的控制系统的渐近稳定性,给出了分数阶系统稳定性定义,并利用两参数的Mittag-Leffler函数相关定理直接推导出稳定性结论．仿真实例和结果证实了相应的稳定性结论．     

软件项目工作量预估系统的研究与实现

采用了一种改进的软件成本估算方法——结构化成本模型COCOMOII结合功能点模型和多元回归算法来进行软件项目工作量的预估,以便降低对工作量估算的结果偏差．介绍了基于该算法设计的软件项目工作量预估系统的部分关键实现技术．系统采用浏览器／服务器模式及JSP＋Java＋MySql的架构实现,由于充分利用了网络的便捷和信息量大的特点,保证了多元回归算法中对样本数量的要求,使估算值更接近实际结果．     

脉冲噪声环境下信噪比的盲估计

正交频分复用(OFDM)系统中,多径信道下的传统信噪比估计采用的大多是加性高斯白噪声,本文提出了一种基于脉冲噪声环境下信噪比的盲估计方法。该方法首先设置合适的门限值抑制脉冲噪声,而后利用自相关函数的平稳特性估计出信道阶数,然后利用循环前缀数据为有用数据的复制这一特性估计出噪声功率,最后求出总的功率值从而估计出信号功率。实验仿真结果表明,提出的方法无需任何先验信息,在多径信道下具有良好的估计性能,且计算复杂度低。     

果园土壤贮水量神经网络估算模型研究

利用神经网络对土壤水分进行预测时，一般需考虑多个因素（如气象因素和土壤特性等），需测量多种参数值。神经网络模型只以0～100cm范围内各层的土壤含水量为输入变量，对0～180cm土层的土壤含水量进行了预测，并与Biswas估算模式的预测结果进行了比较。结果表明：神经网络方法具有很高的预测精度，预测值的相对误差在-4．26％～3．22％；Biswas估算模式的预测效果较差，预测值的相对误差在-11．87％～7．95％。由此可见，该神经网络模型具有较强的便利性和实用性，可用于对本地区果园的土壤墒情进行估测。图8，表2，参14。     

Compressed sensing based channel estimation for fast fading OFDM systems

A compressed sensing (CS) based channel estimation algorithm is proposed by using the delay-Doppler sparsity of the fast fading channel. A compressive basis expansion channel model with sparsity in both time and frequency domains is given. The pilots in accordance with a novel random pilot matrix in both time and frequency domains are sent to measure the delay-Doppler sparsity channel. The relatively nonzero channel coefficients are tracked by random pilots at a sampling rate significantly below the Nyquist rate. The sparsity channels are estimated from a very limited number of channel measurements by the basis pursuit algorithm. The proposed algorithm can effectively improve the channel estimation performance when the number of pilot symbols is reduced with improvement of throughput efficiency.     

基于变权重的水库滑坡稳定性模糊综合评价

中国滑坡灾害众多,危害性极强,尤其是水库型滑坡,一旦失稳将会造成巨大灾害和损失,因此稳定性评价是滑坡预防与预警工作的首要前提.针对水库型滑坡特殊地质条件,选取结构特征、地质构造、变形特征、水文条件4大项,共包含10个因素作为稳定性评价指标.划分滑坡稳定性等级,建立评价指标体系并确定其权重,然后根据指标数据变化进行变权重...     

基于深度学习的手术场景运动感知

基于术中影像的运动感知是计算机辅助手术系统开发的重要研究内容,能够为运动补偿、软组织形变分析等应用提供有价值的信息,从而提高手术效率并增强手术安全。然而,手术影像中运动器械的遮挡降低了对局部区域估计的准确性。为解决这一难题,提出一种基于光流网络和解耦表示的运动感知方法,并结合自监督学习范式优化模型。制作了神经外科手术数据集,在PyTorch深度学习框架下对模型进行训练和验证。实验结果表明：该运动估计方法在复杂手术场景中具有稳定性强、准确度高的优点,在计算机辅助手术中具有较高的应用价值。     

基于改进扩展卡尔曼滤波的爬架运行安全姿态估计

为了实时准确的获取爬架运行时的姿态信息,提出了一种基于改进Sage-Husa扩展卡尔曼滤波算法（ISHEKF）的爬架姿态估计方法。首先建立了爬架姿态估计模型,然后在扩展卡尔曼滤波（EKF）对传感器进行融合滤波时,加入Sage-Husa扩展卡尔曼算法（SHEKF）对时变噪声进行调节,再以协方差匹配技术对Sage-Husa进行滤波发散判定,通过在调节因子中引入爬架实时运动速度,改进滤波发散判定依据,从而满足爬架运行时高精度的滤波要求。实验结果表明：静态实验中以横滚角为例,ISHEKF的最大误差较SHEKF减少了21.9%,较EKF最大误差减少了70.8%;动态实验中ISHEKF表现出更好的稳定性和滤波精度,能够准确反映爬架运行的状态变化。     

基于相关矢量法L型阵列相干信号DOA估计

针对L型阵列提出了一种基于互相关矩阵的相关矢量(cross correlation matrix correlation vector method,CCM-CVM)重构解相干的波达方向(direction of arrival,DOA)估计算法。为了进一步提高估计精度,在此方法基础上又得到一种改进方法,即CCM-MCVM的方法。该方法基于前后向矢量重构理论,利用阵列互相关矩阵不含噪声的特点,把互相关矩阵的每一个列矢量作为前向矢量,通过对其前向矢量元素进行复共轭变换并颠倒顺序得到后向矢量。利用所有的前后向矢量来重构信号的协方差矩阵并提取信号的子空间,该方法相较于CCM-ESPRIT算法具有损失阵列孔径小,估计精度高的特点。理论分析和仿真结果表明了该方法在低信噪比和小快拍数条件下相较于对比算法具更好的估计性能。