欠驱动无人艇自适应滑模航迹跟踪控制

为便于航迹跟踪控制器设计和分析,引入坐标变换,建立典型的欠驱动无人艇数学模型;建立以航迹上自由点为原点的Serret-Frenet坐标系,实现对航迹跟踪误差变量的描述;通过将航迹参数的更新律作为一附加控制输入,实现了无人艇航迹跟踪控制系统由欠驱动向全驱动控制的转变,并利用改进视线导引算法实现了对无人艇位置的跟踪控制;考虑海流等外界扰动的影响,采用滑模自适应技术分别设计了无人艇航向和航速控制算法,实现了对航向角、纵向速度跟踪误差的镇定;基于李雅普诺夫理论和级联系统理论证明了航迹跟踪控制系统的一致半全局指数和一致全局渐进稳定性。仿真结果表明:所提出的控制算法可在一定程度上处理海流等外界扰动,跟踪效果良好,并且克服了角速度持续激励问题,能够同时实现对直线和曲线航迹的跟踪。     

基于信息融合的多星搜索动目标问题

运用多星在海洋中搜索动目标,当动目标失去联系或者目标存在战术意图时,这种不确定动目标搜索将变得极为困难。建立搜索图描述搜索的环境模型,提出了一种解决多星搜索动目标问题的方法。利用信息融合的信息更新搜索图,并根据目标的运动预测方法再次更新搜索图,动态规划整个多星搜索动目标过程。卫星搜索策略是最大化目标发现概率。仿真实验结果验证了所提方法的有效性,能够有效地解决多星搜索动目标问题。     

一种基于新技术复杂装备的可靠性增长方法

针对新技术复杂装备可靠性增长难的问题,利用可靠性增长理论,结合新技术复杂装备的特点,提出了一种适应于新技术复杂装备可靠性增长的方法。并将其应用于某型无人机系统的可靠性增长,通过2个生产周期达到了预期的可靠性增长目标值。这种方法具有良好的可操作性和经济性,可广泛应用于其他新技术复杂装备的可靠性增长中。     

通用干扰仿真系统的设计与实现

通用干扰仿真系统是雷达系统仿真中必需的部分。分析了通用干扰仿真系统与雷达仿真系统之间的关系和各种干扰样式的特点及联系,提出了通用干扰仿真系统的设计与实现方法,给出了关键模块的实现模型。仿真结果验证了设计方法的可行性和系统的正确性。通用干扰仿真系统能产生常用的干扰样式信号,满足通用性和可移植性要求。     

双重系统加密研究: 获得完全安全的IBE及其扩展

双重系统加密技术首先由Waters提出,是用于构造完仝安全的基于身份的加密(IBE)及其扩展方案的有力方法.针对完全安全方案的构造,研究了双重系统加密技术并提出了一个完全安仝方案的通用构造方法,即将一个利用双重系统加密的IBE方案与一个普通的方案相结合,得到一个新的可以利用双重系统加密证明安全的方案.在通用构造的基础上提出了一个实例,该实例是一个基于层级身份的加密( HIBE)方案,具有常密文长度.该方案比Waters提出的双重系统加密HIBE方案更高效,并且在判定BDH假设和判定线性假设下证明是完全安全的.     

一种面向多核处理器的高效并行PCA-SIFT算法

提出一种面向多核处理器的并行PCA-SIFT算法,采用数据级并行方法实现并行的特征提取和特征点匹配,将计算任务分配到各个DSP核并行处理,充分开发多核处理器的多级并行性.实验结果表明,并行PCA-SIFT算法对各种不同图像形变的图像具有良好的适应性,具有接近串行PCA-SIFT算法的图像匹配能力,平均加速比达3.12.     

相位调制水声通信同步算法

水声信道中存在大量的脉冲噪声和多普勒频移效应,这会给通信同步带来困难,造成水声通信系统最佳采样位置发生较大偏移,严重影响后续通信算法的处理效果。从复杂水声信道中实现较精确通信同步的目的出发,借助相位调制水声通信系统的特点,综合利用线性调频序列和m序列各自的优势,提出了一种由帧同步、位同步双重机制共同组成的水声通信同步算法,经过仿真、湖试及江试,证明了该算法的有效性。     

舰船稳性计算中附体影响的一种处理方法

提出在静水力曲线、邦戎曲线以及船形稳度力臂插值曲线计算中对附体处理的一种新方法,即建立在三次样条插值函数积分基础上的附体体积分布法.该方法将附体按体积与体积中心等效的条件分布到船体型值点上,其中船体体积与体积中心采用三次样条插值函数积分法进行计算,以此来修正其对船舶静力计算结果的影响.按该方法对某船带附体的静水力曲线、船形稳度力臂插值曲线进行了计算,并对计算结果进行了分析,表明该方法在工程应用中可获得满意效果.     

微胶囊技术简介

微胶囊技术能够使物质产生物态变化,实现物质的固化,在医药、农药、食品、饲料、涂料、油墨、黏合剂、洗涤剂、感光材料、纺织等行业,都得到了广泛的应用。介绍了微胶囊技术的发展史,微胶囊的组成与制备方法,微胶囊的性质及应用．     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。