随机环境中的M/MY/1排队系统

文献［４］讨论了随机环境中的Ｍ／Ｍ／１排队模型，本文提出和讨论随机环境中的Ｍ／Ｍｙ／１排队模型，在统计平衡条件下给出了队长和等待队长的平稳分布以及平均队长和平均等待队长，得到了等待时间和逗留时间分布以及平均等待时间和平均逗留时间。     

智能搜救机器人在障碍地形的自主构型规划

为了解决带有辅助摆臂的智能搜救机器人自动规划构型以实现自主越障的难题,提出一种能够适应复杂地面形状的搜救机器人越障构型规划新方法,其核心是一种高适应性、高效率的机器人姿态预测算法。通过将地形表示为离散的点集,建立了搜救机器人的单侧姿态预测数学模型;进一步提出了快速求解该问题的算法,每秒可预测1 000～1 500个姿态。基于此,设计了机器人越障过程中状态、动作的评价指标,运用动态规划算法与滚动优化思想构建了具有优化能力的、能够实时运行的构型规划器。仿真与实物实验的结果表明,该方法能够使机器人自主调整构型穿越复杂地形,且相较强化学习算法和人工操作具有更平稳的越障效果。     

适用于GPU处理的长更新周期卫星导航信号载波相位跟踪环路

针对短环路更新间隔下GPU处理效率受限而长更新间隔下传统跟踪环路在高动态场景下不稳健的这一矛盾,提出一种可适应高动态场景的长更新间隔载波相位跟踪算法,该算法设计了一种低复杂度线性调频信号参数估计方法,实现跟踪初始阶段多普勒及变化率的精确估计进而消除大部分信号动态,在跟踪过程中采用4阶卡尔曼滤波对残余信号相位及动态进行精细跟踪。经仿真验证,200 ms更新间隔下,可实现多普勒一次/二次变化率分别达800 Hz/s、64 Hz/s²正弦运动场景下载波相位的快速稳定跟踪,1次更新即可收敛,跟踪灵敏度低至23 d B-Hz,相位跟踪精度远优于传统3阶锁相环路。     

基于监测数据的电磁频谱地图构建与验证

提出基于广义回归神经网络拟合和聚类克里金的构建方法,通过趋势面拟合,将电磁频谱地图构建分解为路径衰减和阴影衰落分量的估计问题,以提升构建精度;设计监测数据聚类和自适应最优邻域选取机制,在保证构建精度的条件下减小计算数据量,以提升构建速度,从而利用数量有限的电磁环境监测数据,在不需要先验信息的条件下实现电磁频谱地图的准确、快速构建。设计并实现电磁频谱地图验证系统,搭建车载数据采集设备,利用实测电磁环境监测数据,验证所提方法的可行性及构建性能。     

电磁带隙结构单脊波导缝隙相控阵天线的实验研究

提出一种电磁带隙结构交错排列的单脊波导缝隙相控阵天线,并与相同尺寸的普通单脊波导缝隙相控阵天线作比较。测试结果表明该天线的方向图得到了明显的改善,单元之间的耦合系数减小,背瓣的辐射电平显著降低,扫描特性得到了改善;同时也说明了电磁带隙结构可以取得比扼流槽更好的抑制表面波的效果。这对于提高单脊波导缝隙相控阵天线的辐射性能具有重要意义。     

石英微陀螺的机械耦合问题研究

通过研究石英微陀螺的机械耦合误差,对理想和非理想陀螺进行了机械建模和分析,推导出了微陀螺的敏感输出信号和机械耦合的关系公式。通过仿真,讨论了机械耦合与陀螺各参数之间的关系和相互影响程度。     

二羟基苯氧基硅烷合成途径设计及产物表征

用Hyperchem 7.0软件的半经验分子轨道法(Semi-empirical-AM1)和分子力学(Molecular Dynamics)法计算了二羟基苯氧基硅烷不同合成过程反应的焓变,对反应途径进行优选,计算了产物的IR谱图,并与实验结果进行了对比。研究表明,以对苯二酚与二乙氧基硅烷进行反应制备二羟基苯氧基硅烷在热力学上是有利的,可得到目标产物;Hyperchem 7.0软件用于新型有机硅化合物合成途径优化及产物表征具有一定的应用价值。     

GEO导航星广播星历拟合改进算法设计

设计了倾角较小的GEO导航星的广播星历拟合算法。该方法的核心思想是在常规拟合算法的基础上对位置观测量进行合理的坐标系参考平面旋转,特别是提出针对拟合迭代初值进行相应的坐标变换,从而既可以解决轨道参数拟合的相关性问题,使轨道参数拟合快速收敛,同时又兼顾了用户接收机的计算简便化。通过仿真验证,该方法简洁有效,拟合中误差RMS在厘米量级,能够保证拟合精度。     

液体火箭发动机基于神经网络的实时故障检测算法实现

以某大型液体火箭发动机为研究对象,针对其启动和稳态工作过程,利用Matlab和Lab Windows/CVI等编程工具,基于神经网络技术,开发实现了其地面试车过程实时故障检测的BP(Back Propagation)和RBF(Radial Basis Function)算法。多次试车数据离线检验和实时在线考核结果均表明该方法能够及时、有效地检测出发动机工作过程中的故障,没有出现误报警和漏报警,并能够很好地满足现场试车的实时性和鲁棒性等要求。     

一种支持向量机增量学习淘汰算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。增量学习是解决这一难题的思路之一。分析了新增样本加入训练集后支持向量集的变化情况,提出了一种基于密度法的支持向量机增量学习淘汰算法,淘汰了对最终分类无用的样本,在保证测试精度的同时减少了训练时间。实验仿真证明这种算法是有效的。