利用分数抽头均衡器快速定时同步

建立了分数抽头均衡器(FSE)与定时同步相结合的信号模型,分析了定时误差对于均衡性能的影响,提出了一种新的基于FSE的快速定时同步算法。在未知参考序列相位的情况下,利用循环均衡快速收敛并建立同步。在相位跟踪阶段,利用抽头增益跟踪定时相位误差,通过对采样数据进行抽取或插值以及均衡器抽头的移位操作控制相位误差。仿真表明,该算法能在长度为均衡器抽头数的符号周期内快速建立同步,通过采样率的选择可以精确地控制定时相位误差。     

基于粒子群优化的稀疏分解最优匹配原子搜索算法

信号的稀疏分解能得到信号的稀疏表示形式,便于进一步处理,但其计算非常复杂,是一个NP问题.粒子群优化是群体智能优化算法,算法简单,易于实现,且搜索效果好.把粒子群优化算法用于稀疏分解的最优匹配原子的搜索,能降低稀疏分解复杂度,同时减少稀疏分解的超完备字典对存储空间的占用,以提高用稀疏分解理论进行信号处理的计算效率,满足或接近实时性的要求.实验证明,此方法切实可行.     

机载MIMO雷达稳健非均匀样本选择方法

针对杂波训练样本中混入干扰目标,导致空时自适应处理技术的杂波抑制性能下降问题,提出一种基于目标知识进行局部稀疏恢复的稳健训练样本挑选方法。该方法利用先验知识确定待检测单元中的目标区域,对整个角度-多普勒平面进行遍历,获得稀疏超完备基。通过变换矩阵对超完备基中对应的目标区域进行"挖空"处理,局部稀疏恢复出超分辨的杂波空时谱,获得杂波协方差矩阵估计。结合广义内积算法,实现非均匀训练样本挑选的过程。与常规结合广义内积方法相比,该方法对于不同干扰强度的训练样本,均有良好的检测效果。经仿真验证,所提方法的检验统计量之间区分度更加明显,对于干扰样本的挑选更加彻底,从而有效地提高了空时自适应处理技术的目标检测性能。     

异步非平稳干扰抑制方法

为解决单通道条件下异步非平稳干扰抑制问题,提出基于数据驱动的稀疏分量分析干扰抑制方法,旨在从接收到的混叠信号中恢复期望信号。该方法利用深度卷积神经网络对输入/输出端数据间的复杂映射关系的强大建模能力,实现了目标信号稀疏域的自适应选择、稀疏域中目标信号稀疏表示的自适应学习以及目标信号的自动恢复。与以往干扰抑制算法不同,所提方法在时域上完成了“端到端”的信号波形恢复,且对混叠观测无先验要求,相比现有方法更具普适性。仿真实验验证了所提干扰抑制方法在不同环境噪声和干扰信号强度及泛化测试条件下的有效性,对干扰的抑制性能显著优于现有算法。     

稀疏卷积计算高效数据加载与输出缓存策略

针对现有神经网络加速器在处理稀疏神经网络时存在的数据加载效率低、乘加资源利用率低、输出缓存寻址逻辑复杂等问题,提出了稀疏卷积计算高效数据加载与输出缓存策略。将属于同一输入通道的非零输入特征图像数据和非零权重进行全对全乘累加运算,降低了非零数据配对难度,提高了乘加资源利用率;通过采用输入驻留计算,以及密集型循环加载特征图像数据,大幅减少了数据片外调取次数;优化了输出缓存设计,解决了现有方案中存在的输出缓存地址访问争用、存储拥塞等问题。实验表明,与采用类似架构的细粒度脉动加速器相比,在处理单元面积上减少了21.45%;在数据加载速度方面平均提高了117.71%在平均乘法器利用率方面提高了11.25%,达到89%。     

基于改进整型遗传算法的稀疏矩形平面阵列优化

为了降低固定稀疏率、固定孔径的稀疏矩形阵列的峰值旁瓣电平,提出一种改进整型遗传算法。该算法在整型遗传算法的基础上,提出了等间隔采样的交叉策略、多点变异策略以及优良基因重组的策略。采取等间隔采样的基因交叉方式,可以有效发挥整型编码的优势,从而提高算法的运行效率;为了提高种群的多样性,防止算法陷入局部最优,采用了多点变异策略;采用优良基因重组技术,加快了算法的收敛速度。仿真结果表明,相比传统的二进制和实数编码,整型编码更为直接高效;与用于稀疏矩形阵列优化的相关算法相比,本文所提算法获得了更优的旁瓣电平,证实了算法的有效性和优越性。     

海水淡化系统余压能回收过程的仿真模拟

针对阀控式海水淡化能量回收装置增泄压过程中压力波动和浓盐水海水掺混导致反渗透膜组件工作负担变大的问题,对增压容器和增压过程建立模型,使用流体力学软件Fluent仿真增压过程,得到了增压过程液压缸内部流域的压力和速度分布。探究了混合段液柱活塞的形成过程和长度变化,通过对比液压缸结构和进水口流速变化对混合程度的影响,给出了用混合段做液柱活塞的参数特性和适用性,为海水淡化系统余压能回收设计提供依据。     

L+1容错恢复策略在复杂军事网络中的应用仿真

以标准3×3网格为基础网络,介绍了L+1容错恢复策略的概念和恢复原理,以海上舰艇编队作战系统网络为研究对象,使用Matlab-Simulink仿真工具,通过对阻塞概率、平均路径长度、路径重新分配概率和有效利用率4个指标的仿真,对比了该网络在无策略、备份多路和L+1容错恢复3种策略下网络的恢复程度,验证了L+1容错恢复策略的有效性和可行性。     

基于稀疏贝叶斯学习的扩展目标雷达关联成像*

雷达关联成像不依赖于雷达与目标的相对运动,是一种高分辨凝视成像方式。传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该算法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该算法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

基于整车虚拟道路行驶试验的车辆零部件疲劳分析

针对现有车辆零部件精确疲劳分析依赖成本高昂的实车试验的问题,提出了一种利用整车虚拟样机仿真分析零部件疲劳寿命的方法。该方法通过在ADAMS/CAR中用整车虚拟样机在虚拟道路模型上进行行驶试验,利用多体系统动力学基于模态坐标的求解特点,使用模态应力恢复技术准确还原出了用于零部件疲劳寿命分析的载荷历程。将该方法应用于某车辆双横臂前悬中的下控制臂,在较短的时间内获得了该零件的预测疲劳寿命、寿命安全系数及危险部位等信息。应用结果表明,该方法可作为汽车设计过程与测试过程中的有效试验手段。