低复杂度的宽带阵列测向算法

宽带信号测向算法是传感器阵列定位技术中的难点问题.提出了一种波束域的宽带测向定位算法,利用波束空间变换实现信号的聚焦、降维,利用子空间正交投影抑制干扰.无需方位预估计,信号处理在低维空间进行,有较低的计算复杂度.仿真实验表明,算法以较低的计算量实现了与阵元空间算法相近的性能,并且表现出良好的抗干扰能力.     

基于dSPACE的发动机信号实时采集系统开发

为了配合高功率密度柴油机的研制,对某重型车辆发动机冷却系统进行智能化改进,需通过串口方式从实车发动机控制单元中读取发动机工作状态参数,以dSPACE为基础开发了发动机信号实时采集系统,系统数据传输速度快,可靠性高,避免了繁琐的单片机编程,提高了工作效率。     

螺旋桨激励水下艇体振动的试验及数值研究

为考虑螺旋桨真实激励特性,在循环水槽中开展艇尾伴流场中螺旋桨诱导艇尾脉动压力及螺旋桨激励水下艇体振动响应的测量试验。试验结果表明:脉动压力幅值在叶频处最大,且随螺旋桨负载增加而增大,随与螺旋桨之间距离的增大而减小,四叶桨脉动压力在尾翼后的高伴流区幅值较大,五叶桨则在尾翼之间的低伴流区幅值较大；大部分测点的振动响应幅值随螺旋桨负载增加而增大,但也存在叶频处幅值较小和未随负载增加而增大的情况；五叶桨激励引起的侧向振动较四叶桨有所增强而轴向振动有所减弱；特定谱峰频率处振动响应幅值呈一阶弯曲振型,其频率范围与有限元计算结果较为一致。综合采用计算流体动力学、有限元和模态叠加法建立螺旋桨激励水下艇体振动响应的数值计算方法,通过计算与试验结果的对比发现,该方法的计算结果与试验结果吻合较好,相比于采用单位简谐激励的谐响应分析方法更加接近真实情况。     

对无人机下行遥测链路干扰效能评估及仿真

根据无人机下行遥测链路的抗干扰技术，详细分析了无人机下行遥测链路的工作原理，提出了三种干扰方式。研究了宽带噪声干扰、单音干扰和脉冲干扰对无人机下行遥测链路干扰效能，给出了误码率计算模型。最后对三种干扰方式的干扰效能进行了仿真和比较，仿真结果显示在不同干信比的情况下，不同干扰方式的干扰效能也不相同。     

基于改进连通区域标记的跳频信号分选识别北大核心

针对小型无人机在复杂电磁环境下难以识别的问题,提出了基于改进连通区域标记的跳频信号估计与分选方法。首先,采用基于局部窗口的能量门限统计法,在信号时频域去噪;接着,对常规连接区域标记法进行改进,设计了新的连接区域片段关联和干扰抑制方法,解决连接区域断裂和干扰混合的问题;然后,针对多跳频信号混合情况,利用时频幅度差异重建连接区域;最后,根据改进的连通区域标记图进行参数抽取和信号分选识别。仿真结果显示,在噪声、干扰和多跳频信号混叠环境下,信号参数估计精度和目标信号的正确识别概率均明显高于常规连通区域标记方法。     

通信侦察中的伪码序列盲估计算法

针对卫星通信侦察与对抗,提出了一种DS-SS通信信号的伪码序列盲估计算法.首先采用循环自相关方法估计信号载频,对截获的中频信号进行解调,得到基带信号,再采用循环自相关估计PN码周期.然后利用分段互相关方法估计信息码与PN码同步调制起始点.在此基础上,完成对伪码码序列的识别.仿真实验结果表明,该方法在极低信噪比条件下可以得到准确的伪码序列估计.     

一类偶数阶非线性中立型偏微分方程组的振动判据

讨论一类偶数阶非线性中立型偏微分方程组的振动性,利用Green公式和边值条件将这类非线性中立型偏微分方程组的振动问题转化为中立型微分不等式不存在最终正解的问题,并利用最终正解的定义和微分不等式方法,获得了该类方程组在两类不同边值条件下所有解振动的若干充分性条件。所得结果为解决物理学、生物学、工程学等学科领域中的实际问题提供了数学理论基础。     

相干移频干扰幅度补偿技术研究

基于储频数据的移频干扰可以产生压制或欺骗的干扰效果.但移频带来的信号失配,会导致脉压后不能在雷达显示屏上产生亮度一致的假目标,有可能降低假目标被检测到的概率.基于此,推导了信号失配损失与移频值大小之间的关系,提出了一种采用幅度调制补偿的相干移频干扰方法,可以很好地使得脉压后假目标幅度趋于一致.最后通过仿真验证了该方法的有效性.     

燃油税开征给汽车市场传递四大信号

日前，根据公布的《成品油价税费改革方案（征求意见稿）》，中国将在不提高现行成品油价格的前提下，将汽油消费税单位税额由每升0．2元提高到1元，柴油由每升0．1元提高到0．8元，取消公路养路费等六项收费。这意味着，困扰我国多年的燃油税问题将以增加成品油消费税的方式加以解决。那么，即将开征的燃油税给汽车市场传递哪些信号？笔者认为有如下四个方面。     

海量电磁数据中雷达信号的高效分选方法

针对海量电磁数据中雷达信号难以进行快速准确分选的问题,提出一种新的聚类分选方法,即改进k-means算法的Map Reduce并行化实现方法。通过引入初始聚类中心个数k1、最大聚类中心个数kmax和距离门限rt3个参数,克服了k-means算法需要事先确定k值和易受孤立点影响的局限;基于Hadoop平台实现了对改进k-means算法的Map Reduce并行化,克服了k-means算法串行实现时间复杂度高的局限。最后,实验表明改进k-means算法取得了更高的分选准确率,Map Reduce并行化后具有良好的加速比和扩展性,能够很好地对海量电磁数据中雷达信号进行高效分选。