发动机缸内压缩压力非接触式检测方法研究

发动机汽缸压缩压力是检测发动机机密封性的重要参数.发动机密封性降低,会造成发动机经济性、动力性下降及废气排放指标恶化,因此对各缸压缩压力的检测具有重要意义.现提出一种利用曲轴瞬时转速,进行不解体检测坦克发动机汽缸压缩压力的方法.通过实车测量获得缸压及转速的特征参数,利用灰色理论模型的方法建立了发动机转速脉动与汽缸压缩压力的数学关系.试验结果表明,利用这种方法进行缸内压缩压力测量是可行的.     

因材施教 培养中学生“写”的技能

国家教育部制定的<英语课程标准>(实验稿)对初中生就语言教学技能中"写"的技能提出了明确的规定:第一,根据写做要求,收集、准备素材;第二,能独立起草短文、短信等,并在教师的指导下进行修改;第三,能使用常见的连接词表明顺序和逻辑关系;第四,能简单描述人物或事件;第五,能根据所给图画或表格写出简单的段落或操作说明.     

混合均衡问题和不动点问题的公共元的迭代算法

在Hilbert空间中,利用超梯度算法,用以逼近混合均衡问题的解集与半压缩映像不动点集的公共元,并且证明了该算法的收敛性。使用新的分析技巧证明了一个强收敛定理。     

压缩感知新技术专题讲座(四) 第7讲 压缩感知在图像信号处理中的应用

绝大部分自然图像信号都在某个变换域具有稀疏性或近稀疏性。基于压缩感知理论,可以用远低于采样定理要求的采样频率采集信号,并可在一定条件下高概率恢复信号,这将极大降低图像信号的采样频率以及数据存储和传输的代价。文章首先简述了压缩感知理论,然后分析了图像的稀疏性对图像重建质量的影响,最后着重从图像压缩、图像融合、图像去噪、图像识别以及图像复原几个方面分析了压缩感知理论在图像处理领域中的应用以及目前所面临的问题。     

压缩感知新技术专题讲座(三) 第6讲 压缩感知在语音处理中的应用研究

压缩感知CS(Compressive Sensing)作为一门新兴的技术,成为近年来人们广泛关注的研究热点。文中介绍了压缩感知理论的基本原理,在此基础上将压缩感知理论应用到语音信号处理中。首先研究了语音信号的稀疏性,说明了对语音信号进行压缩感知具有可行性;其次,采用随机滤波器组构造随机测量矩阵得到语音信号的压缩测量值;最后,研究了压缩测量值之间的相关性并将这种相关性作为稀疏度的一种度量方法用于控制随机滤波器阶数,实现了语音信号的自适应压缩感知。     

压缩感知新技术专题讲座(二) 第3讲 压缩感知技术中的信号稀疏表示方法

信号的稀疏表示是信号分析领域的基本问题,也是近几年兴起的压缩感知理论的基础。文章首先分析了信号稀疏表示的基本原理,然后介绍了当前信号稀疏表示的主要方法,并重点阐述了基于过完备字典的稀疏表示方法及其在压缩感知中的应用,最后总结了稀疏表示所面临的问题和未来发展方向。     

联合特征累积分析的压缩域运动对象检测

依据H.264压缩域中能够反映景物运动变化的MV和DCT系数特征,本文提出了一种多特征联合累积分析的压缩域运动对象检测方法。该方法对压缩码流中各宏块的运动信息进行时空域滤波,并使用雅克比矩阵描述全局运动参数和宏块MV之间的关系,简化参数求解过程,通过比较局部运动和全局运动之间的差异初步检测运动对象;选取宏块周围可靠的运动特征用于宏块DCT系数能量的投影累积,并通过熵能原理在压缩域中选取各个宏块的自适应阈值,检测运动对象的边缘及纹理显著区域;通过一定的逻辑准则将MV和DCT系数的检测结果结合起来,最终检测出视频中运动对象。实验结果表明,本文算法可准确地检测压缩视频中的运动对象,且检测结果具有较高的查全率和查准率。     

基于Matlab的雷达信号处理系统仿真

针对现代雷达信号处理的主要方式,运用数字信号处理理论和Matlab软件研究雷达信号处理的仿真问题。提出了一个仿真模型,该模型可以仿真雷达信号、热噪声与杂波的产生和雷达系统中信号的动态处理过程。用Matlab对某脉冲压缩雷达信号处理系统进行了仿真,得到了雷达系统中各个处理点上的具体信号形式,既包含幅度信息,又包含相位信息,该模型能较好地满足对雷达信号处理的仿真要求,显示了用Matlab仿真雷达信号处理系统的方便、快捷的优点。     

Banach空间中强伪压缩算子带误差的Ishikawa迭代过程

在一般的Banach空间中,使用一个不等式及某些分析技巧证明了非线性强伪压缩算子、强半压缩算子不动点带误差的Ishikawa迭代过程的收敛定理,并给出了它们的误差估计,推广和改进了近期的一系列相应结果。     

基于深度强化学习的兵棋推演决策方法框架

针对兵棋推演的自动对抗问题,文章提出基于深度学习网络和强化学习模型来构建对抗策略。文章结合深度强化学习技术优势,立足多源层次化的战场态势描述,提出面向智能博弈的战场态势表示方法;将作战指挥分层分域的原则同即时策略游戏中的模块化和分层架构相结合,提出一种层次化和模块化深度强化学习方法框架,用于各决策智能体与战场环境交互的机制以及对抗策略的产生;为满足实际作战响应高实时特点,提出压缩的深度强化学习,提升模型输出速度;为改善对不同环境的适应性,提出利用深度迁移学习提升模型泛化能力。