轮式车载防空导弹行进间发射动力学仿真分析

利用谐波叠加法生成三维随机路面图,建立三维随机路面模型和8×8轮式车载防空导弹多体动力学模型。根据对比试验法设计平整路面静止状态、D级路面10 km/h和20 km/h 3种工况,对影响导弹出筒时刻状态的因素进行了分析。对行进间发射进行了不同时刻导弹弹射实验仿真,去除实验结果的偶然性,得出影响行进间发射导弹出状态的两个主要因素:在导弹弹射时刻车体的振动状态和导弹与导弹箱之间的接触碰撞。     

一种高分辨时频分析方法及在脑电信号处理中的应用

时频分析中 ,交叉项和分辨率是矛盾的两个关键因素。Wigner分布在分辨率这点上代表着时频分析的最高水平 ,却引入了交叉项。中心仿射滤波法以Wigner分布为基础 ,对Wigner分布的结果进行非线性滤波 ,有效的滤除交叉项干扰 ,仍然保持很好的自项聚集度 ,具有相当高的分辨率。利用中心仿射滤波法分析癫痫脑电信号 ,可以比较细致地反映信号 ,并且能用于异常脑电的自动识别。该方法不考虑信号的时域特性 ,只利用时频谱的变化特性 ,所以本方法还具有广泛的适应性。     

基于叠合度的维修性多源数据融合方法

针对装备维修性试验数据样本量不足的问题,采用了数据融合方法进行扩充数据样本量,通过建立折合模型对多源先验数据进行转换,解决了与现场数据差异较大难以实现数据融合的问题,采用了改进的Bayes Bootstrap法对多源数据的分布参数进行拟合,建立基于叠合度的数据融合模型,对装备维修性多源先验数据进行融合,结合某型坦克试验数据进行算例分析,证明了该方法的可行性。     

一种时频混叠的欠定混合通信信号盲分离算法

针对衰减-延迟欠定混合通信信号的盲分离问题,提出了一种基于子空间最小距离的源信号估计算法,通过计算观测信号到混合矩阵列矢量张成子空间的距离,估计任意时频点同时存在的源信号数目以及当前源信号对应的混合矩阵列矢量,把欠定混合问题转化为超定问题,然后通过计算Moore-Penrose逆矩阵求解源信号,理论分析和仿真结果验证了算法的有效性。     

基于时频分布的弹道导弹目标识别方法

在弹道导弹目标识别中,微动特征是重要的识别手段。从弹道导弹微动特性时频分析出发,提出一种基于时频分布的弹道导弹目标识别方法。该方法将时频分布图的伪Zeinike不变矩特征作为识别特征。首先对回波信号进行时频变换以获取时频图像;然后为了降低噪声的影响,对其进行图形预处理;最后给出了伪Zernike不变矩提取步骤及识别特征的选取原则。通过仿真实验,分析了不同特征组合对识别率的影响,评估了不同信噪比下识别方法的稳定性。实验结果表明,该方法具有一定稳定性,可用于弹道导弹目标识别。     

基于压阻敏感元件的压力信号调理电路设计

针对压力信号测量中压阻式敏感元件的压力信号易受温度影响,并且压力信号中常常会混有噪声干扰信号的问题,设计了一种新的基于压阻式敏感元件的压力信号调理电路。该方案采用恒流源供电方式消除温度影响,通过放大电路将传感器输出的微弱信号放大,再经抗混叠低通滤波电路滤除干扰信号;并对压力信号调理电路中各个模块进行了理论分析和试验验证。通过试验表明:该信号调理电路将温度影响减小到0.01%,并且能够有效地滤除压力信号中的高频信号。     

时频分析在变加速运动目标速度测量的应用

针对多普勒频率非线性连续变化的变加速运动目标,提出了基于短时傅立叶变换和魏格纳-维尔分布的速度测量方法,并根据其数学原理,利用毫米波测速雷达设计了运动目标的速度测量方案.信号仿真表明,低频段Wigner-Ville法更能够反映目标的微小速度变化,高频段STFT时频处理精度更高且测速精度能达到0.5 %.实验采集数据处理...     

一种改进的自适应Chirplet分解方法及其实现方法

参数自适应时频分布成为当前非平稳信号分析与处理的研究热点。针对自适应Chirplet分解所用基函数的时频关系为线性,对含有非线性时变分量的信号逼近效果不好的问题,提出了一种改进的自适应Chirplet分解方法,并给出其快速实现算法。首先在Chirplet时频原子的基础上添加了弯曲算子,构造了新的时频原子,得到了一种改进...     

经验模态分析法在雷达信号脉内分析中的应用

雷达脉内特征分析是信号分选领域一个重要手段,当脉内信号有多个雷达信号交叠在一起时,很难分析出其各自的调制方式。经验模态分解(EMD)在分析非平稳混合信号时效果显著,但其存在2个明显弊端。针对端点效应问题,首先采用小波分解将信号分解成各分量,随后对除噪声外的各分量利用ARMA模型对信号进行预测,接着对预测后的各分量进行小波重构,从而消除了端点效应,针对虚假分量的问题,结合雷达信号的特点改进了其终止条件,提高了EMD分解的性能。最后,对EMD分解后的各分量进行时频分析,得出雷达脉内信号的调制特征。仿真验证了算法的有效性。     

面向混部云失败批处理作业的预测算法

为了降低混部云失败批处理作业的风险,使用K-means聚类算法将批处理作业分为四类,在分类的基础上提出了二层嵌套分类模型(two-layer nested classification model, TLNM),实现了基于TLNM的预测算法。基于Ali Trace 2018数据集上的实验结果表明,该算法的接受者操作特性(receiver operating characteristic, ROC)曲线明显优于其他常用分类器,ROC曲线下面积(即AUC)可以达到0.978,表明该算法具有良好的分类性能。同时召回率可以达到0.951,通过混淆矩阵可以看出TLNM算法能够准确预测出执行失败的批处理作业。