广义实型密度加权平均中间算子及应用

针对普遍存在的向量、矩阵等多维的数据形式,将面向点值的密度加权平均中间(DWA)算子拓展为广义实型密度加权平均中间(GR-DWA)算子.给出了通用的数据元素聚类过程,该过程能够对点、向量、矩阵等3种类型的数据进行有效分组.研究了一种兼顾"规模"与"功能"信息的密度加权向量设置方法,并给出了3种参数确定思路,以支持主观、客观或主客观结合等多种决策方式.定义广义实型密度算术平均(GR-DWAAA)算子,并探讨了GR-DWA算子在多属性群决策中的多种运用途径.最后,给出了GR-DWAAA算子处理多属性群决策问题的一个应用算例,算例的结果验证了算子的有效性.     

某火炮弹丸发射强度仿真分析

以非线性瞬态动力学理论为基础,并以测试材料参数及膛压曲线为依据,建立了某高速弹丸发射过程中的力学仿真模型;应用数值仿真分析方法,对该模型进行了发射强度仿真和分析,得到了某高速弹丸在发射过程不同时刻的强度参数结果,计算结果与实弹实验结果基本吻合.结果表明,所涉及内容及方法可以为今后该弹丸的改进及同类弹丸发射强度研究工作提供了理论参考与依据.     

基于整车动力学的电动助力转向系统建模仿真

结合EPS的结构和动力学特性,建立了EPS的动力学方程,采用PID控制方法分别对电机进行助力和回正控制,并结合三自由度的整车模型(考虑侧倾影响)和Fiala轮胎模型建立了EPS整体仿真模型.分析了EPS系统对方向盘瞬态响应品质的影响以及路面冲击下汽车纵横向加速度的变化.     

平面波对传输线耦合响应的仿真研究

在Agrawal传输线模型的基础上,以典型信号-电磁脉冲作为干扰源,详细分析了参数变化对传输线终端负载电压和电流响应的影响.仿真结果表明,负载、传输线间距、平面波入射角和平面波极化角等参数变化对负载端响应有不同的影响.在此基础上,又对双线传输线和单导体传输线受干扰特性进行了对比分析.仿真分析结果为实际系统中由于电缆耦合产生的干扰分析提供了理论依据,并具有一定的参考价值.     

机动目标在射击门下的概率模型估计

研究机动目标在射击门下的同一性分布可为火控理论中命中概率研究与应用提供一普适性的理论依据。分析了具有随机因素的机动目标在穿越射击门时的随机计数特征,给出了齐次泊松分布的推断,对具有二维独立自相关正态随机目标在矩形域和椭圆域下待机时间和滞留时间的概率密度估计及其误差进行了仿真研究,得到其密度估计模型及其误差为伽玛分布的补偿修正估计模型。     

基于遗传编程的火电厂主汽温系统建模研究

遗传编程是基于自然进化理论的一种全局最优智能搜索技术,将它应用于系统辨识,可以实现同时辨识系统的结构和参数,并且得出的辨识结果是显示的。提出了一种新的多目标遗传编程算法,将进化的目标设定为偏差的平方和、表达式的复杂程度和最大动态偏差的综合最小。应用该算法辨识火电厂主汽温系统,仿真结果说明该算法是有效的,并且比常规遗传编程算法优越。     

高速磁浮列车用混合滤波器设计的仿真研究

高速磁悬浮列车系统的谐波是一种典型的强非线性、冲击性负荷,是一种重要的新型谐波源,在没有补偿措施时,它会带来较严重的电网谐波问题。针对高速磁悬浮列车系统谐波的特征,运用自适应谐波检测方法对谐波进行检测分离,通过有源滤波器和无源滤波器的有效配合,最终达到谐波抑制,改善功率因数,优化电网电能质量的目的。     

基于现场可编程门阵列的图像调焦系统

数字图像自动调焦技术,不仅能提高调焦精度,而且能降低对成像系统加工和装配精度的要求。采用基于功率谱的评价函数对成像系统的聚焦位置进行识别,提出了基于现场可编程门阵列(FPGA)的自动调焦系统实现方案,主要完成图像预处理、清晰度判别和对焦控制等功能。针对自动调焦算法计算量大、计算复杂等特点,采用中值滤波和灰度值线性变换的图像预处理方法,以及流水线作业、乒乓操作、双蝶形处理器复用、基-2 FFT算法相结合的工作模式。研究表明,利用FPGA强大的并行及高速数据处理能力,使得图像调焦算法不再成为复杂控制系统的速度瓶颈。     

基于Gamma-SLC混合密度估计的雷达目标识别

通过分析高分辨距离像(HRRP)的统计特性,提出一种Gamma模型与基于累积量的随机学习算法(SLC)相结合,估计HRRP概率密度的新方法:Gamma-SLC方法。该方法具有Gamma分布针对性强,估计准确与SLC适应性强的优点,同时回避了二者的缺点。另外,借鉴最大熵原则的非高斯性测度,设计了一个新的评价概率密度估计效果的准则。基于外场实测数据的实验证明了Gamma-SLC方法的有效性。     

非均匀类簇密度聚类的多粒度自学习算法

针对非均匀类簇密度聚类问题,从商空间粒度理论出发,提出一种多粒度自学习聚类算法 (multi-granularity self learning clustering algorithm, MSCA)。算法通过构造聚合树结构和定义粒度函数对问题逐层求解,并在每层聚合过程中根据聚合区间以自学习的方式动态确定聚合粒度,解决了传统聚类算法从非均匀类簇密度数据中无法得到不同层次的聚合特征且参数对经验依赖性过高的问题。理论和实验表明,MSCA算法可以发现任意形状类簇,有效处理噪声,并能发现关键聚合层,具有较好的计算复杂性。