基于VHDL的参数化LFSR模型设计

利用VHDL二维数组模型定义LFSR的反馈状态查找表并实现了参数化LFSR反馈回路.对当前状态进行全零模式检测和条件异或运算,结合VHDL条件生成语句实现了参数化Bruijn计数器.定义循环模式计算函数来得到任意位数和模式下的LFSR尾状态,通过状态比较实现了任意循环模式下的参数化LFSR模型.软件综合结果表明,在不同的参数实现下,LFSR模型有优秀的时序性能,能够满足实际应用需要.     

基于信号传输延迟的频率测量方法

提出了一种通过信号传输延迟来提高频率测量精确度的方法。该方法利用多根延时相同的传输线对被测信号进行延时,形成延时总和为一个基准信号的周期性多路被测信号的延时信号,通过选取与比较基准信号跳变沿前后相邻的两个延时时间的平均值作为基准信号上升沿与闸门开始及终止之间的时间差,以计算被测信号的频率。误差分析和测量不确定度评定表明:该方法测量精确度由延时时间决定。实验数据证明:该方法在保证测量速度的同时有效减小了±1计数误差。     

小样本采样数据的预处理

一般情况下数据处理大多采用数理统计方法,该方法对于数据较少情况下处理和判别粗大误差不适用。提出了运用线性均方估计法和熵值判别法来处理和判别粗大误差,线性均方估计消除粗大误差是一种采用软化的方法处理粗大误差;熵值判别法是根据熵的上界对应最大的不确定度,利用所得数据的熵信息量判别数据是否含有粗大误差。这两种方法经过多个实例计算,结果表明,它们在处理小样本采样数据时更有效。     

多传感器测量数据预处理

传统传感器测量数据处理方法只采用算术平均值的数字滤波法,虽然这种方法具有一定的抗干扰性,但从统计理论和实际应用情况分析来看,这种方法处理的数据不是测量结果的最好表示,尤其对于多传感器测量情况甚至更糟糕.针对这种情况提出了通过2次利用偏度分析建立动态检测门限判别并剔除粗差,再进行数据融合的分批估计方法.数据分析结果表明,这样处理后的数据测量误差和方差均更小,测量结果更接近测量真值.     

基于MHMM-SVM混合模型的雷达发射机性能退化状态监测

雷达发射机结构复杂,早期性能退化状态呈现多样化。为此,给出了一种MHMM-SVM故障诊断模型。该模型首先通过小波分析来提取观测信号的特征向量,然后从提取的特征向量中提取部分作为样本完成模型训练并生成发射机各种退化状态的分类器,最后给出诊断结果。仿真验证结果表明:MHMM-SVM故障诊断模型对电子装备早期故障的识别率明显优于MHMM、SVM单一模型。