基于EMD和二叉树支持向量机的调制识别算法

针对数字调制模式识别问题,提出了一种基于经验模式分解(EMD)和二叉树支持向量机的识别算法。该算法通过对数字信号进行经验模式分解,利用分解得到的本征模式函数构造分类特征,再运用二叉树支持向量机作为分类器实现了6种信号的分类。仿真结果表明,该算法具有很好的识别性能。     

推行“工作预决算” 促进工作有效落实

今年年初以来,四川省达州市通川区人武部开始实行"年度工作预决算"制度,取得了明显成效。他们采取把年度工作任务分解到各部门和工作进度倒排、时间倒推、任务倒逼的办法,明确责任人、明确工作完成时限、     

基于agent的多传感器管理原型系统研究

近年来,基于agent的分布式智能系统已成功应用于众多领域。将多agent技术应用于多传感器管理领域研究,以开发多传感器智能管理的多agent系统,提出了其原型系统的基本框架和系统实现途径及方法,其中着重研究了融合agent与传感器agent的原型系统结构、基于多a-gent理论的传感器管理问题分布式任务分解与控制问题以及agent之间的协调合作问题。原型系统的研究,为实际应用系统的研制开发提供了理论指导和方法依据。     

非平稳数据处理方法与瞬时频率

利用“经验模式分解”(EMD)方法,任何复杂的数集都能够被分解为有限且通常数量较少的“本征模式函数”。“本征模式函数”产生瞬时频率,最终结果表示为H ilbert谱规定的能量-频率-时间分布。应用“经验模式分解”方法表示自然现象中的传统非线性平衡系统及其数据的数值结果,同时给出实例展示了这种新方法的作用和效果。这种方法阐明了能量-频率-时间分布,进一步显示出对非线性非平稳系统的处理效果———精确化、形象化和可视化。     

基于SVD与数学形态学分形维数谱的战场声特征提取

分形维数作为战场声信号的特征,存在特征数量不足,反映信号非线性不充分的问题,提出了一种基于SVD与数学形态学分形维数谱(Singular Value Decomposition And Mathematical Morphological Fractal Dimensions Spec-trum,SVD-MMFDS)的战场声特征提取方法.对声信号构造Hankel矩阵,再进行SVD分解,根据信号频率与奇异值的关系,重构信号分量.将这些重构信号依次线性叠加,每叠加一次信号分量就计算一次分形维数,直至完全恢复原信号;通过这种方法,构成数量多且更能反映信号非线性的分形维数谱.运用半实物仿真实验将SVD与数学形态学分形维数谱的方法,与变分模态分解(VMD)和分形维数结合的方法进行对比,该方法提取的战场声特征具有更好的区分度且特征数量更多,为利用信号非线性来识别战场声目标提供较好的选择.     

固定翼无人机多工况聚类及识别研究

针对固定翼无人机作业过程中多工况的分类以及一般模式识别算法时效性低,准确率不高的问题,提出了"聚类分析-模式识别"相结合的多工况分析技术路线,将工况分析分为离线和在线2个阶段.离线阶段,提出子一种基于分组的密度聚类算法,采用分而治之的聚类思想对无人机历史飞行数据进行聚类分析,并将聚类所得各抽象数据簇视为工况.在线阶段,...     

基于B样条插值曲线直接筛选的EMD及其在机械振动信号处理中的应用

经典的经验模式分解(EMD)方法通过求解信号的上下2条三次样条包络曲线的均值曲线,实现对原始信号的分解.但是对于非平稳、非线性信号,包络平均无法代替真正的局部平均.另外,基于包络平均的分解方法还会引入极值过冲和欠冲问题.利用B样条的良好局部性质直接计算信号的局部均值插值曲线,克服了三次样条包络方法在EMD分解中的不足.通过对旋转机械故障振动信号的分解处理,表明基于B样条局部均值插值曲线的经验模式分解方法得到的固有模式函数更符合信号的真实物理意义,分解结果更好.     

关于集值拟终鞅的若干结果

在 X~*可分的条件下讨论了集值拟终鞅的若干性质,且在此基础上证明了集值拟终鞅在弱收敛意义下的收敛定理,同时给出了集值拟终鞅的 Riesz 分解定理。     

基于SVD的机动目标自适应滤波研究与仿真

由于计算误差等因素的影响,致使滤波协方差阵不对称或负定,从而导致滤波器发散,影响滤波算法的收敛速度和稳定性.该研究在机动加速度"当前"统计自适应卡尔曼滤波算法的基础上,引入了基于奇异值分解(SVD)的协方差平方根滤波的自适应卡尔曼滤波算法.仿真结果表明,该算法可以较好地跟踪机动目标,具有精度高、稳定好、收敛快等特点.     

基于极化分解的目标识别方法研究

在全极化、高距离分辨力雷达体制背景下，研究了光学区雷达目标极化特性。利用极化分解将复杂目标分解为三个简单目标， 并提取描述三目标关系的特征参数对四类军用飞机目标进行了识别实验研究， 获得了良好的目标分类识别效果。