惯性信息辅助的星像点质心提取方法

针对振动环境中星敏感器曝光得到的模糊星像点质心提取精度低的问题,提出了惯性信息辅助的星像点质心提取模型并建立了相应的算法。算法以星像点区域的加权中心为曝光初始时刻的星像点质心,根据与星敏感器捷联的惯性设备测得的振动信息计算质心在曝光过程中的轨迹并利用星像点能量分布模型估计恒星的成像区域和加权中心,采用迭代的方法使得两加权中心重合,从而得到曝光结束时刻星像点质心的精确值。仿真分析了算法的质心提取精度及相关因素对提取精度的影响,结果表明算法在振动环境下仍可准确提取出星像点的质心,精度在百分之一像素左右,而且算法具有较好的适用性。     

要地防空阵地网低空补盲部署模型及优化

以中高空防空武器为主构建的防空网对于防御低空突袭目标存在较大盲区,需要部署低空防空武器补充防御。根据中高空、低空防空武器杀伤区特性及防空阵地部署的战术需求,将低空补盲部署问题转化为扇形部署问题并结合阵地地形影响因素,建立了优化模型。应用基于遗传算法(GAs)和爬山算法(HC)分别作为全局搜索和局部搜索的memetic算法(MAs)对优化部署求解。最后应用仿真算例验证了提出的模型及应用的算法能够较好解决该工程问题。     

提取时间对硝基油漆稀料燃烧产物鉴定的影响

油漆稀料是一种常见的助燃剂,提取时间对其燃烧产物的鉴定会有一定的影响。选取了纯毛织品作为实验载体,以硝基油漆稀料为研究对象,对燃烧残留物及燃烧烟尘进行了系统的GC-MS分析,找出了纯样和加载油漆稀料后燃烧产物主要成分的变化规律,对样品中目标化合物的相对峰面积随燃烧产物提取时间的变化曲线进行了非线性数学分析,初步找出了样品燃烧产物的相对峰面积随硝基油漆稀料燃烧产物提取时间变化的规律,为合理选择物证的提取时间提出了建议。     

基于线性混合盲分离模型的电机故障诊断方法

基于定子电流信号的频谱分析方法诊断电机故障,其检测的精度易受到噪声干扰及频率分辨率的限制。为解决这一问题,提出了一种基于线性混合盲分离模型的电机故障诊断方法。该方法采用固定点算法从电机的定子电流信号中分离出故障特征信号,由观测信号估计出混合矩阵,据此计算故障特征信号的幅值,再根据幅值在电机正常和故障状态下的变化实现对电机故障的诊断。以电机转子故障为例进行了实验,结果表明:该方法可实现转子断条故障的可靠诊断,并且在短数据条件下,也能取得较好的诊断效果。     

基于奇异谱分析的盲源分离单通道语音增强算法研究

针对盲源分离算法无法直接对单路含噪语音信号进行分离的问题,提出一种基于奇异谱分析的盲源分离单通道语音增强算法.通过对单路含噪语音信号进行奇异谱分析,将其低频分量作为第二路观测信号,利用改进的最大信噪比盲源分离算法进行处理,从而实现语音信号和噪声的分离.实验结果表明,该算法能够有效抑制噪声,提高信噪比,起到良好的语音增强效果.     

火灾微量物证的发现与提取方法研究

针对基层火灾调查人员在发现与提取火灾微量物证中存在的实际问题,从火灾微量物证的概念、特点和种类出发,归纳总结了火灾现场不同火灾微量物证的发现、提取与包装方法,给出了发现与提取火灾微量物证的基本要求和应注意的问题。     

基于时频滤波与EMD分解的单通道发动机振动信号盲源分离

由于传统盲源分离方法要求传感器观测信号数目不小于源信号数目,且在源信号平稳及相互独立的前提下,才能得到较为准确的分离信号,但在实际应用中,这些条件不易满足．针对发动机振动信号,提出一种基于时频滤波与EMD分解的单通道信号盲源分离方法,消除非平稳噪声的干扰,将通过EMD分解得到的本征模态分量作为虚拟的观测信号,并利用FastICA算法实现信号盲源分离．     

旋转运动模糊的盲复原

摘 要:旋转运动模糊图像的盲复原是一个挑战性的课题.提出了一种新颖的模糊参数的估计方法:首先将旋转运动模糊图像分割成子图块,并将各子图块的运动模糊近似为直线模糊,运用基于Hough变换方法和微分自相关方法估算出各子图块的模糊尺度和方向,构成整图的离散旋转运动场.然后利用所得到离散运动场,用最小二乘技术估算出整图的旋转...     

基于循环平稳特性的两步盲信号提取算法

盲提取算法作为信号处理和分析的重要手段,其利用信号的先验特性提取期望信号,从而降低算法计算量、节约系统资源。文章针对通信信号的盲提取问题,基于信号的循环平稳特性,提出了一种两步盲提取算法:第一步,利用信号的循环平稳先验特性粗提取信号;第二步利用信号的高阶统计特性精提取信号。理论分析与计算机仿真表明:与参考文献[5]中基于循环平稳特性的盲提取算法相比,提出算法具有更好的性能,平均信噪比可提高约10 dB。     

红苋菜色素的提取工艺研究

本文研究了红苋菜色素的提取时间、提取温度及不同方法对提取效率的影响,结果表明红苋菜色素的最佳提取工艺为:用水做提取剂,低温下提取,不种方法各有特点。