散度、旋度和梯度在共同模式上的统一定义及其在一般坐标系中的应用

本文在推广的散度定理的基础上给出了散度、旋度和梯度与坐标无关的统一定义。着重在一般曲线坐标系中利用以三对坐标面为包容面的微元体为共同模式,把散度、旋度和梯度统一表示为某一微分量的极限值,从而直接导出了张量分析中这三种量的熟知的表达式。     

一种自适应指数加权衰减记忆滤波算法

根据衰减记忆因子为一个常数的不尽合理性的假设,深入研究了指数加权衰减记忆滤波因子,根据滤波收敛条件和滤波模型准确时的新息(残差)特点,提出了具有自适应性、抑制滤波发散的指数加权衰减记忆滤波算法,并通过仿真试验验证了自适应抑制滤波发散的有效性。     

一种新的针对模型误差所致滤波发散的补偿方法

系统模型误差是导致卡尔曼滤波发散的一个很重要的原因,分析了衰减记忆法和限定记忆法两种对模型误差所致滤波发散的补偿方法,通过引入阈值可以将这两种方法进行有机结合,给出了一种新的衰减限定记忆算法。算例分析验证了衰减限定记忆算法在抑制滤波发散方面具有比衰减记忆和限定记忆法更好的性能,并能自适应调整算法所需观测数据数目。     

基于Kullback-Leibler距离离散度的加权代理模型

复杂系统的仿真通常具有高维度、高计算量等特点,代理模型因其明晰的数学表达和良好的计算特性可用于逼近真实系统。加权模型对比单个代理模型来说,其稳定性和适应性更广。不同的代理模型其性能不一,根据特定指标,可以构造最优加权代理模型。基于代理模型预测分布以及Kullback-Leibler距离构造各子代理模型之间的离散度,并提出一种新的权函数构造方法。算例表明,该方法与最优子模型的精度相当,同时能提高对真实响应分布的逼近。     

GPS定位中2种自适应滤波的组合算法

分析了卡尔曼滤波发散的原因,并给出了指数加权的衰减自适应记忆滤波和噪声加权自适应滤波2种算法用来抑制发散,相应地分析了衰减因子的选取以及噪声模型的在线估计,最后提出这2种定位方式组合的定位算法。仿真结果表明,衰减自适应记忆滤波和噪声加权自适应滤波明显提高了卡尔曼滤波的定位精度并且抑制了发散,组合算法在提高定位精度、抑制发散的同时,使这2种定位方式的优点形成了互补,增加了算法的稳定性。     

一种基于组合降维的图像识别方法

为克服图像识别中传统方法需要进行高维矩阵奇异值分解的困难,提出了先局部降维再总体降维的组合变换方法.ORL人脸图像数据库的实验表明,这一方法不仅减少了运算量,而且能较好地解决人脸这样一类复杂的图像识别问题;总体来说优于传统的基于KL变换的识别方法.     

U-D分解单步迭代滤波在飞行状态估计中的应用

针对单步迭代滤波常规算法数值鲁棒性差、滤波易于发散的缺点对误差协方差矩阵使用了 U - D分解 ,从而形成了一种基于 U - D分解的单步迭代滤波算法。该算法提高了数值鲁棒性 ,并且对相关的量测噪声有一定处理能力 ,应用于飞行状态的估计问题 ,获得了较为满意的结果     

抗辐照MRAM研究进展

针对传统分块方法根据经验划分子块导致变量特征信息无法充分利用,其单一的建模方式忽略局部信息以及离线模型无法适应时变特性的问题,提出了一种KL (Kullback-Leibler) 散度多模块滑动窗口慢特征分析方法。在正常工况数据集中,利用KL散度来度量变量间的距离,同时引入最小误差平方和准则进行聚类,分成两个距离最小的子模块;在此基础上利用慢特征分析方法对每个子模块进行建模,结合滑动窗口对每次采样的数据进行更新,得到最优模型,分别计算监测统计信息,利用支持向量数据描述对故障监测结果进行融合,实现故障诊断。并将该方法应用于田纳西伊斯曼过程的监控中,得到了较高的故障检测率和较低的虚警率,验证了该方法的可行性和有效性。     

基于遗传算法与最大最小原理的故障模式特征选择

在诸如液体火箭发动机等复杂动力学系统的故障诊断中，监控参数组的优选问题一直受到工程技术人员的高度重视。本文提出了综合样本矢量方向离散度概念，以此作为故障特征参数的优选准则；然后利用经过改进的遗传算法，对某液体火箭发动机常见故障的诊断进行了特征参数组的优选。在改进的遗传算法中，采用了非常简洁而高效的染色体编码，针对特征优选的组合优化类问题专门设计了一种特殊的基因迁移算子，并引进了父本个体适应值的动态调整技术与共享函数。数值实验结果表明，该算法具有理想的效果。     

基于概率分布的硬件木马检测特征选择方法

针对基于旁路信号分析的硬件木马检测中存在的高维以及信号冗余度高等问题,寻求一种特征选择方法在降维、降低冗余度方面的可行性,通过考虑样本概率的分布情况,提出了一种以散度和Bhattacharyya距离作为可分性判据的特征选择方法。首先分析了旁路信号的特征选择问题,然后阐述了基于散度和Bhattacharyya距离的可分性判据,最后在FPGA中植入硬件木马,采用K-L方法进行实验,通过对样本特征选择前后的检测效果发现,这种特征选择方法不仅有助于分辨"金片"与含木马的待测芯片间旁路信号的统计差异,而且与分类错误率建立联系,更好地实现了硬件木马的检测。