装备维修性增长及其基本过程研究

为了解决当前装备的维修性问题，揭示维修性发展的一般规律，进行了维修性增长的研究。首先阐明了装备维修性形成与演变的一般规律，继而提出了维修性增长的概念，重点研究了维修性增长的内涵与增长的一般过程，最后对解决增长问题所需的模型进行了分类，为增长技术的深入研究奠定了基础。     

用小波包变换降低 MCM 系统中并存的脉冲干扰和窄带干扰的影晌

小波包变换可以给出信号精细的时频局域化特性，本文通过对信号进行小波包变换，导出了用小波包变换实现多载波调制（MCM）的系统模型，在此基础上研究了用小波包时频分解特性对信号进行变换，从而降低MCM系统中并存的脉冲噪声和窄带干扰的影响，并给出了如何选取时频单元进行变换的算法。     

一种不需要特征值分解的MUSIC方法

MUSIC方法是空间谱估计中经典的子空间方法。提出了一种构造参考信号的预处理模型,提出了一种适合于MUSIC方法的多级维纳滤波结构。新方法避免了采样数据二阶统计的特征值分解,降低了运算量。仿真结果证明了方法的有效性。     

北斗全球系统导航信号恒包络调制和复用技术

出于以导频通道为代表的北斗全球导航卫星系统现代化信号结构升级以及后向兼容的需求,北斗系统近几年提出了多种新型恒包络调制和复用技术,包括适用于北斗系统B1频点的正交复用二进制偏移载波(QMBOC)调制和非对称双正交相移键控(ADualQPSK)调制,适用于B2频点的时分复用AltBOC(TDAlt BOC)调制与非对称恒包络二进制偏移载波(ACE-BOC)调制,适用于B3频点的双正交相移键控(DualQPSK)调制,适用于双边带任意信号路数、任意功率配比的广义恒包络二进制偏移载波(GCE-BOC)调制。本文系统性地论述了北斗全球系统中提出的多种新型恒包络调制和复用技术,在此基础上基于GCEBOC调制总结出了一种恒包络调制的统一解析表示形式,对全面理解北斗全球系统信号设计思路及在此基础上发展设计新型的恒包络调制和复用技术均能提供重要的借鉴。     

正弦波调制的光纤环本征频率测量方法

为了弥补传统光纤环本征频率测量方法中方波调制存在死区的缺陷,提出正弦波调制的本征频率测量方法。对正弦波调制下的光纤陀螺输出信号进行分析,得到二次谐波幅度与调制频率间的二次函数关系,通过计算抛物线顶点即可求得本征频率。依据该原理对已有的光纤陀螺进行升级改造,研制了一套本征频率测量系统。试验结果表明:该方法可达到1×10-5的测量精度,是一种成本低、精度高的光纤环本征频率测量方法。     

基于广义回归神经网络的单位运营状况分类

单位的运营状况会直接影响股东和广大人民的利益,针对运营状况可以使用广义回归神经网络进行分类。由于广义回归神经网络中径向基函数的扩展参数Spread的选取会导致分类的准确率,提出了一种果蝇优化算法优化参数Spread的分类模型。充分利用了果蝇优化算法的寻优能力,将优化后的参数代入到广义回归神经网络中对单位的财务数据进行运营状况的分类。结果表明,与广义回归神经网络做比较,优化后的网络模型对数据的分类可以达到很高的准确率,在相关领域的分类上有非常大的实用性。     

改进多重信号分类算法的宽带频谱快速感知方法

针对宽带频谱感知中采样率大、感知时间长的问题,在调制宽带转换器采样的基础上提出了一种改进多重信号分类算法的宽带频谱快速感知方法。调制宽带转换器对宽带频谱进行欠奈奎斯特采样,以最小描述长度准则估计信号个数,用改进多重信号分类谱估计信号位置。算法引入调整因子,使得多重信号分类谱中信号位置更为明显,降低了噪声的干扰。整个感知过程无须重构原始波形,无须计算频谱,大大降低了计算量,而且感知算法计算复杂度低,提高了感知效率。仿真结果表明,在低信噪比的情况下,该算法仍具有很好的检测性能。     

正交频分复用/偏移正交振幅调制半盲信道估计

非合作通信背景下,针对传统干扰近似法(IAM)进行正交频分复用(OFDM)/偏移正交振幅调制(OQAM)系统信道估计需要导频符号值作为先验信息的问题,提出一种基于OQAM符号特征的IAM(OCBIAM)估计算法。该算法利用IAM导频结构和OQAM实符号的有限集特征,将信道衰落系数幅度和相位分开估计,在仅获得导频位置而未知导频符号值的条件下实现了OFDM/OQAM系统半盲信道估计。并且证明了OCB-IAM算法由于利用接收符号的二阶统计量将高斯白噪声变为非随机的单音干扰,从而在中低信噪比条件下具有优于IAM算法的估计性能。仿真实验验证了理论推导的正确性和OCB-IAM算法的可靠性。     

基于AM-LFM和IRT的旋转微动目标成像算法

在雷达成像中,基于CS的方法因其压缩采样的特性而在高分辨雷达成像中得到广泛应用。然而由于其是一种基于参数化的成像方法,对观测位置误差特别敏感。在实际中,一般无法知道精确的观测位置。观测位置的误差会造成成像结果位置的偏离、散焦以及无法聚焦。针对基于压缩感知的成像算法存在的观测位置依赖性问题,提出了一种基于调幅-线性调频(AM-LFM)分解和逆Radon变换(IRT)的微动目标成像算法。该方法根据分解后信号调频率分离目标微动信号与主体信号,再进行IRT成像。仿真及实验结果验证了算法的可行性和有效性。     

面向监督学习的稀疏平滑岭回归方法

岭回归是监督学习中的一个重要方法,被广泛用于多目标分类和识别。岭回归中一个重要的步骤是定义一个特殊的多变量标签矩阵,以实现对多类别样本的编码。通过将岭回归看作是一种基于图的监督学习方法,拓展了标签矩阵的构造方法。在岭回归的基础之上,进一步考虑投影中维度的平滑性和投影矩阵的稀疏性,提出稀疏平滑岭回归方法。对比一系列经典的监督线性分类算法,发现稀疏平滑岭回归在多个数据集上有着更好的表现。另外,实验表明新的标签矩阵构造方法不会降低原始岭回归方法的表现,同时还可以进一步提升稀疏平滑岭回归方法的性能。