物体识别不变性方法比较分析(Ⅱ)——解析方法

在文献[1]中,我们分析比较了物体识别不变性方法——统计方法。本文中,将分析比较另一类方法——解析方法。     

SCPC卫星通信中互调噪声谱的计算

本文提出和推导了SCPC卫星通信系统中互调噪声功率谱的快速计算方法,它升SCPC系统设计具有重要的使用价值。     

基于HHT的旋转机械故障机理仿真分析研究

为解决预测和健康管理（prognostic and health management, PHM）系统对关键部件故障机理研究不足的问题,提出一种基于希尔伯特-黄变换（Hilbert-Huang transform, HHT）的旋转机械故障机理仿真分析方法。首先对战车转塔轴承的工况和故障机理进行分析计算,然后对振动数据进行去噪和仿真,最后将仿真结果与理论计算结果进行对比分析。通过故障仿真分析验证了故障机理分析方法的有效性,可为实现武器装备故障的精准诊断奠定基础,提高故障诊断预测的准确性和稳定性。     

基于K_L变换与SVM的硬件木马检测新方法

针对基于旁路分析的硬件木马检测,旁路信号数据在空间中呈现高维分布、非线性的问题,探究在降低信号维数方面核函数的可行性,提出了一种基于K_L变换与支持向量机(Support Vector Machine,SVM)的硬件木马检测模型。在FPGA加密芯片中植入所设计的硬件木马进行实验,实验结果对比表明,利用主特征向量构建的SVM模型在检测占电路2%的硬件木马时,测试准确率达到了98.1%,为规模更小的木马检测提供了新思路。     

高超声速再入轨迹跟踪控制的微分变换方法

针对多约束条件下高超声速飞行器再入制导问题,提出一种基于微分变换法求解最优反馈控制的全状态标准轨迹跟踪制导律。利用滚动时域控制方法设计易于在线执行的闭环跟踪制导策略,在每个制导周期内将标准轨迹跟踪问题转化为线性时变系统状态调节器问题,并通过最优控制理论进一步转化为两点边值问题,采用微分变换法进行求解获得最优反馈控制律。数值仿真表明微分变换法的引入有效解决了传统两点边值问题求解的数值不稳定性与耗时问题,所设计的闭环制导律对状态偏差与模型不确定性具有较强的鲁棒性,可为工程设计提供有益参考。     

矢量偏差小波函数（Ⅱ）

基于数学辩证法思想,提出了一种新的小波变换即矢量积小波变换、这种变换对信号处理尤其是高信信号处理十分有用。建立了矢量小波函数、矢量尺度函数和偏差小波函数,它们适合信号分析与处理。分析并提出了一种新的信号表示,并用最优控制理论实现了数值测试,结果表明该方法明显优于传统方法。     

小波分析电子签名系统

成功开发了小波分析电子签名系统。运用快速小波变换理论和生物识别技术提取人体指纹特征,转化为指纹特征码嵌入电子文本,解决了信息传输的安全问题,对因特网的身份认证、信息认证有重要指导作用。     

频域匹配滤波-FFT联合捕获算法北大核心

频域匹配滤波法利用FFT-IFFT完成时域伪码的快速相关,提出频域匹配滤波-FFT联合捕获法,该方法在频域匹配滤波法的基础上对相关结果进行二次FFT运算。通过仿真结果可知,在相同条件下得到的相关峰值高于频域匹配滤波法的相关峰值,提高了多普勒频率的估计精度,在信噪比大于-14 dB时捕获概率能达到0.988。由此可见,频域匹配滤波-FFT联合捕获法在估计精度和捕获概率上优于传统的频域匹配滤波法。     

闭环激励下无人机非线性参数频域在线辨识

随着无人机在军民领域的大规模应用,对无人机复杂工况下的安全性和适应性提出更高要求。闭环辨识能够在考虑系统反馈作用下获取辨识参数,大幅提高辨识试验的稳定性和安全性。针对无人机闭环辨识试验中多变量非线性气动参数获取问题,首先基于某固定翼无人机动力学模型,推导了无人机的气动力、气动力矩等29个气动参数辨识模型;然后提出了一种闭环激励下无人机多变量非线性参数频域在线辨识方法,设计了基于递推傅里叶最小二乘的闭环辨识的流程架构;最后通过添加噪声后的仿真系统对辨识方法的有效性进行了验证,对辨识结果的有效性进行了分析,可为后续开展的闭环辨识飞行试验提供技术储备和理论支持。初步仿真结果证明,提出的闭环激励下无人机多变量非线性参数频域在线辨识方法可以高效获得辨识结果,辨识的29个气动参数中有16个气动参数辨识平均误差3.43%,同时提出的辨识方法较常规最小二乘法精准度平均提高25.5%。     

基于高斯数据增广的小样本数据无人机编队类型抗扰识别

近年来,随着无人机的应用越来越广泛,对无人机编队类型进行准确识别具有重要意义。基于此,对小样本数据下无人机编队类型识别问题进行了研究。首先,对目前常用的各种无人机编队类型识别方法进行了介绍,针对小样本数据无人机编队类型抗扰识别面临的主要问题进行了分析;其次,对所提方法涉及的理论背景进行了研究;然后,对所提无人机编队类型抗扰识别算法进行了详细阐述;最后以带有噪声的菱形无人机编队的位置坐标作为输入数据,使用所提方法进行仿真实验,仿真实验结果表明,以参数均方误差作为队形识别的准确度指标,所提方法可将均方误差由45.1降低至0.46,显著提高了无人机机群特征聚类的精度与鲁棒性,证明了所提方法在小样本数据无人机编队类型抗扰识别问题上的有效性。