基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。     

基于合成特征参数和脉冲样本图的雷达信号分选

雷达脉冲信号的分选是电子战争中的研究热点,同时也是难点问题.针对雷达所截获的辐射源脉冲提出了一种基于合成特征参数值(CCP)的脉冲样本图分选算法.算法利用全脉冲数据的特征参数,根据每一个特征参数的差异性对特征参数值进行编号,通过编号值可以得到依据该特征参数值对脉冲的分类个数,进而计算出单一特征值的加权系数.通过加权系数对每一个特征参数的加权得到合成的特征参数,然后结合每一类信号的脉冲到达时间,提出了脉冲样本图匹配分选的新算法.与传统的PRI分选相比,脉冲样本图分选具有较小的运算量,计算机仿真试验表明该算法能够实现对信号的分选.     

基于不确定度的专家评价综合方法

针对群决策中专家评价信息的综合处理问题,应用多位专家评价的评价样本不确定度,提出了基于不确定度的数据综合处理方法。该方法能够有效应用于群决策问题,尤其是参与决策人员(专家)较多时,出现专家相对权重可信度不明确而导致评价准确度低的问题,科学地简化了群决策中专家权重的确定过程,便于应用,具有坚实的理论依据和应用价值。通过算例分析,该方法的有效性得到了验证。     

带限条件下频率闪烁噪声N样本和二样本抽样方差的精确解

本文应用随机信号处理理论和变换技术,以文献给出的结论为基础,导出了带限条件下,频率源频率闪烁噪声的Ｎ样本、二样本抽样方差及ＡＬＬＡＮ方差的精确解（不包含任何近似条件的解）。这个问题从文献至文献一直未解决。     

基于神经网络的模糊理论在桥梁状态评估中的应用

探讨了模糊数学中的隶属函数在桥梁技术等级状态评估中的应用.在研究现有桥梁状态评估方法的基础上,把人工神经网络和模糊数学理论结合起来应用于大跨度预应力斜拉桥的等级状态评估,建立了基于三层神经元的模糊神经网络模型,并建立结构损伤度函数及等级隶属度模型,通过样本学习训练,获取评估专家的知识及直觉思维,最终确定桥梁所对应的技术状态等级.以检测的480组索力数据作为学习样本,另外4组作为验证样本进行了索力状态评估预测.计算结果表明,网络预测值与期望值吻合良好.     

解读军民融合发展的“浦东样本”

今天的上海浦东,已经是一颗名副其实的东方明珠。     

青春闪烁迷彩色——解读一所大学征兵工作的实践样本

校园文化传递参军报国正能量。“上大学前,我并没有想过参军,是大学新生军训,促使我萌生了走进军营的想法。”管理学院大三学生乔景超,曾服役于火箭军某部,他告诉记者,当第一次踏入校园就感受到热烈而青春的“绿色军营”校园文化氛围。军训是青年学生接受国防教育的一门基础课,也是为军队培养优质后备兵员的重要途径。     

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。     

南亚军费开支与经济增长的面板数据分析

自Benoit(1973)开创性指出军费开支对经济增长有正面效用以来,许多学者采用各种估算方法,就不同国家数据样本分析出不同结果。以印度、巴基斯坦、尼泊尔、斯里兰卡和孟加拉五个南亚国家为对象,研究其在1998年至2007年间军费开支对经济增长的影响,结果显示,南亚五国的军费开支对GDP虽有正面效用,但这种效用十分微弱。之所以选取这五个国家,主要基于以下三个方面的考虑。第一,五国地理位置相似,都位于     

融合图嵌入的光滑主成分分析网络图像识别算法

主成分分析网络(principal component analysis network, PCANet)是一种简单的深度学习算法,在图像识别领域具有优秀的性能。将图嵌入思想融入PCANet,提出一种新的图像识别算法光滑主成分分析网络(Smooth-PCANet)。为了验证Smooth-PCANet算法的有效性,在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。