用离散小波变换对格网DEM数据压缩中的关键技术

DEM数据具有不稳定、相关性差的特点,用离散小波变换对格网DEM数据进行压缩处理时,其边界问题将更为突出,主要表现在边界失真非常严重.这种现象不可避免地导致重建DEM数据精度的损失严重.为了最大限度地减弱边界问题的影响、提高压缩比,在进行格网DEM数据压缩时,作者将二维离散小波变换的边界问题转换为一维离散小波变换的边界问题,大大减小了边界失真区域,提高了重建DEM数据的精度.进而,用相应的算法进行了DEM压缩实验, 结果表明:可获取高压缩比且高精度的重建DEM数据.     

一个临界混沌系统的驱动和时滞反馈控制同步

利用驱动和时滞反馈控制的混合方法,从理论上提出了渐近同步的新标准.其中,只要设置两个控制器就能使得驱动系统和响应系统达到完全同步,而且这种同步是时滞无关的同步.最后的数值模拟也表明提出的理论结果是正确和有效的.     

离散混沌测量矩阵构造及其性能研究

若测量矩阵满足约束等距性(restricted isometric property, RIP),则样本能够完美恢复出原始信号。而对于给定矩阵很难验证其是否满足RIP需求,因此,本文采用李雅普诺夫指数作为一种针对离散混沌测量矩阵的验证指标。首先分析了RIP与李雅普诺夫指数之间的联系,然后给出了一种分段式混沌映射构造方法用以提高混沌性能,并从理论和仿真上证明了该方法的有效性。实验结果表明,这种方法不仅提高了混沌序列的随机性和自相关性,而且所生成的测量矩阵也具有更好的性能。因此,引进李雅普诺夫指数是一种有效的验证离散混沌测量矩阵性能的方法,提高李雅普诺夫指数能够提高混沌测量矩阵的性能。     

求解隐式差分方程的一类高精度并行迭代法

为提高并行迭代法的计算精度,提出了一类高精度、无条件稳定、三层格式的并行迭代算法。用矩阵理论证明了迭代的收敛性,推证了网格加密时的渐进收敛性质。结果表明:对三层格式进行迭代处理,不仅能保证其计算精确度,而且具有很好的收敛速度与渐进收敛性质。数值算例验证了理论分析的正确性,表明了算法的可行性与有效性。     

模糊划分有效性函数的构建与应用

首先在常规的Bezdek模糊划分模型的基础上,引入了考虑权重的模糊划分模型;并根据数理统计中的方差分析理论和信息论中的信息熵理论,构建了模糊F统计量、模糊划分熵,F统计量用来确定最佳划分数,模糊划分熵用来检验模糊划分的有效性.最后通过实际算例对这两个函数的判决功能和F统计量的鲁棒性进行了研究.     

一类不确定离散非线性系统的边界层自适应模糊滑模控制

研究了一类不确定离散非线性系统的模糊滑模控制问题,提出了一种基于边界层模糊自适应的模糊滑模控制方法.首先,在系统非线性动态函数上界已知的条件下,给出了系统的准滑模控制律设计,证明了系统的闭环稳定性.引入一个滑模边界层可调参数,在边界层外施加准滑模控制律;在边界层内,去掉准滑模控制律,施加模糊逻辑控制.边界层参数用模糊逻辑系统进行在线自调节,消除了系统处于准滑动模态时的高频抖振.数值仿真结果证明了所设计控制律的优点和有效性.     

数字系统模块化分割原理及其在EDA中应用

为了加快数字系统的设计仿真，提高设计效率，提出了IP核模块化仿真方法。应用数字系统模块化分割原理，通过将数字系统分解为若干个子模块，在EDA(Electronic Design Automation)中先建立子模块系统的IP(Intellectual Property)核，再应用子模块IP核构造数字系统进行数字仿真。证明了数字系统的可分割性理论基础。应用仿真结果表明：采用IP核模块化仿真方法能够简化数字系统设计仿真，提高设计效率。所提出的IP核模块化仿真方法具有较好的实用价值。     

积分补偿的滑模控制器设计方法

对于一类具有不确定性扰动的非线性系统,提出了一种积分补偿的滑模控制器设计方法。为消除抖动现象,在切换面的邻近设置一边界层,在边界层外部,采用滑模控制方法驱动系统状态进入边界层。在边界层内部,在传统连续控制的基础上,引入积分补偿作用,以改善系统的稳态性能。对控制系统的稳定性进行了分析,并以倒立摆为对象进行了仿真验证,结果表明该控制方法是有效的。     

ASYMPTOTIC NORMALITY OF SOME ESTIMATORS IN A FIXED-DESIGN SEMIPARAMETRIC REGRESSION MODEL WITH LINEAR TIME SERIES ERRORS

Consider a semiparametric regression model with linear time series errors Yk = x'kβ g(tk) εk, 1 < k < n, where Yk's are responses, xk = (xk1,xk2,..... ,xkp)' and tk ∈T ∪R are fixed design points, β= (β1, β2, ....., βp)' is an unknown parameter vector, g(.) is an unknown bounded real-valued function defined on a compact subset T of the real line R, and εk is a linear process given by εk = ∑j=0∞j(?)ek-j,(?)= 1, where , are i.i.d. random variables. In this paper we establish the asymptotic normality of the least squares estimator of β, a smooth estimator of g(.), and estimators of the autocovariance and autocorrelation functions of the linear process εk.