基于负熵最大的FastICA语音信号分离算法

语音信号分离是现代信号处理的热点问题,针对未知信号源个数的情况,提出一种基于负熵最大的FastICA(Fast Independent Component Algorithm)语音信号盲分离算法,有效解决了源信号数目估计、语音信号分离及复原等问题。改进的算法增加了源信号数目估计环节,放宽了算法适用条件,即在源信号数目未知的情况下,也能够实现信号盲分离功能。并将其成功应用于运用信号分选过程中,最终复原语音时域波形,完成信号分选任务。仿真实验中,详细讨论了该方法在不同信噪比以及不同源信号数目情况下的分选能力,证明了方法的有效性和优越性。     

分数阶Fourier变换的多相码雷达信号分离算法

利用多相码雷达信号在某个分数阶域内呈现多个间隔相等的冲击这一特性,提出了一种基于分数阶Fourier变换的多相码雷达信号分离算法,首先将混合信号以特定的旋转角作分数阶Fourier变换,然后通过窄带通滤波器抽取多相码雷达信号,去除大量噪声和其他干扰信号,最后再经过分数阶Fourier反变换,恢复出时域的多相码雷达信号。理论分析和仿真实验表明,该算法计算量小,分离效果好,可实现较低信噪比下的多相码雷达信号分离。     

A Fast Algorithm for Blind Sparse Source Separation

提出一种快速的稀疏信号重构算法,通过定义一个连续可微函数近似l0范数,采用最小化l0范数的方法实现对稀疏源信号的估计.该算法的特点是实现简单,速度快.采用人工生成的信号将算法与通过l1范数最小化的快速稀疏信号重构算法和OMP算法进行了比较.最后,将该算法用于实际信号的欠定盲源分离.仿真实验表明,算法在保证信号分离性能的前提下大幅度提高了算法的运行速度.     

基于网络处理器的新型IPv6转发系统的设计与实现

转发与控制分离结构的提出和网络处理器的发展对路由器的扩展性、灵活性、性能具有重要的影响,而IPv6作为下一代互联网协议的核心,是路由器研究的重要对象。简要阐述了基于转发与控制分离结构ForCES的IPv6路由器的系统结构,重点论述了基于网络处理器的IPv6路由器的转发结构、双栈转发系统的流程设计和隧道机制设计的实现,给出IPv6路由器原型系统的实际测试结果。     

刚性包带式星箭锁紧机构分离性能研究

针对一种新型双点解锁刚性包带式星箭锁紧机构,运用软件ABAQUS显式动力学模块进行数值仿真计算,通过接触力学理论推导了螺栓预紧力与轴向接触载荷的关系式,基于单因素分析方法探讨了预紧力、摩擦因数和弹簧刚度对包带分离性能的影响规律及作用机理,采用Min-Max标准化对各影响因素进行显著性分析.结果表明:轴向接触载荷的仿真结...     

惯性导航系统中的Kalman滤波技术

近年来针对在实际应用中出现的Kalman滤波精度低,甚至滤波器发散的问题,出现了多种改进的状态估计算法,研究了偏差分离滤波,自适应Kalman滤波,H∞滤波,鲁棒Kalman滤波,根据它们的特点,对于它们在惯性导航领域中的应用进行了论述和分析,这些算法对于提高Kalman滤波精度,增强滤波的稳定性,提高惯性导航系统性能具有一定的效果,同时具有广阔的应用前景。     

弹道目标微动特征提取研究

微动特征是弹道目标识别的关键特征之一.针对这一特征,对弹道目标微动特征提取技术进行了分析,主要包括微动信号补偿与分离、微动目标识别以及组网雷达中弹道目标微动特征提取3个部分.同时结合国内外的研究现状,总结了现有的技术手段,并对相关技术的优缺点进行了分析.在此基础上,探讨了弹道目标微动特征提取的需要解决的问题以及未来的发...     

内埋武器机弹分离动态风洞投放试验研究

基于动力学相似的动态风洞投放试验研究了尖拱圆柱体从空腔中分离的气动及运动特性,并创新性地采用快响应压敏漆技术对动态运动模型表面上的压力分布测量进行初步探索研究,试验中探究了不同空腔模型攻角(α=0°,-1.5°,-3°)及弹体在空腔内的不同位置(L₀=25 mm, 39 mm)对内埋武器机弹分离特性的影响。结果表明：弹体在空腔内的位置对机弹分离运动特性的影响最大,当L₀=25 mm时,弹体模型头部区域压力明显高于后部区域压力,产生抬头俯仰力矩,导致弹体模型俯仰角逐渐增大,最终碰撞空腔模型,降低载机攻角并未改变弹体模型碰撞空腔模型的效果。当L₀=39 mm时,弹体模型在给定的攻角下均能安全地从空腔中分离。     

计算介质体瞬态散射矩阵元素方法的改进

针对求解均匀介质体的瞬态电磁散射问题,采用基于MOT的方法求解Müller方程来分析,对分析中矩阵元素的积分求解,提出了一种奇异分离方法。该方法考虑了时间项延迟的影响,减小了计算中的近似,提高了计算精度。验证表明,和原算法相比,新算法在近奇异处理上的误差很小。