复合材料结构导弹振动特性分析及模型修正

建立了某型导弹全结构有限元计算模型,其中包含复合材料舱段,在其上分布多处孔洞。基于地面模态实验数据对该有限元模型进行了优化,给出了该复合材料结构建模及模型修正方法,得到了较为合理的优化结果,结构各阶固有频率误差均满足工程要求。给出的优化后导弹结构振动特性分析结果将对工程实际有一定的指导意义。     

基于MHMM-SVM混合模型的雷达发射机性能退化状态监测

雷达发射机结构复杂,早期性能退化状态呈现多样化。为此,给出了一种MHMM-SVM故障诊断模型。该模型首先通过小波分析来提取观测信号的特征向量,然后从提取的特征向量中提取部分作为样本完成模型训练并生成发射机各种退化状态的分类器,最后给出诊断结果。仿真验证结果表明:MHMM-SVM故障诊断模型对电子装备早期故障的识别率明显优于MHMM、SVM单一模型。     

舰船水下静态电场深度换算的格林函数法

为从有限深度、有限范围内的舰船水下静态电场数据获知实际舰船更大深度上的场分布特征,在对深海环境中舰船静态电场满足的拉普拉斯方程进行求解的基础上,提出静态电场深度换算的格林函数法,推导出了换算公式的边界积分表达式,给出了实际应用中换算公式的近似计算方法。以舰船静态电场的基本模拟体——单个水平电偶极子的场为例,采用数值仿真的方法对换算公式进行了验证,并对近似计算方法进行了讨论。研究结果表明:该方法可直接通过对测量平面上离散场量进行二重求和来实现静态电场的各类深度换算;与文献中已有的换算方法相比,其换算过程更为快捷。     

水中目标辐射噪声调制信息提取方法研究

讨论了应用小波分析从辐射噪声中提取调制信息的方法。首先利用多尺度分析方法将噪声信号在不同层次的空间上进行分解,实现调制信号与辐射噪声的分离;然后,利用小波变换提取其包络,求取功率谱得到调制信息.在此基础上,对实测辐射噪声数据进行仿真研究.结果表明,该方法用于噪声中调制信息检测是一种有效的手段.     

磁致伸缩作动器的设计与性能分析

在分析超磁致伸缩材料特性的基础上设计了一种微位移作动器.通过有限元分析,对作动器的结构进行优化,得到均匀的偏置磁场和激励磁场;设计了预压力加载结构和强制冷却结构.对该作动器的动、静态性能进行了测试,结果表明:作动器基本上工作在线性区域内,其位移伸缩量大,低频动态性能较好,高频谐波分量影响较小,相位延迟较小,同时也证明了对作动器的磁场分析和结构优化是正确的.     

基于WVD-Radon变换的宽带延展目标回波参数提取

分析了宽带延展目标的时延-时间伸缩效应及其导致的回波信号在时域和频率域的特性;针对LFM信号的时频分布特点,利用WVD和Radon联合变换技术,提取LFM信号在时-频域分布上的特性参数,提出了一种宽带延展目标回波参数提取方法,得到了目标的时延—时间伸缩分布.仿真结果表明,该方法是可行的.     

常用航迹初始化技术分析

评价了四种常用的航迹初始方法的性能,这四种方法是:基于规则的方法,基于逻辑的方法,霍夫法和改进的霍夫变换法。详细描述了这四种方法,针对距离方位系统,通过蒙特卡洛模拟比较了在杂波环境下各种算法对于捕获新航迹和产生虚假航迹的概率,特别是多目标的情况下。     

基于小波包变换和伪魏格纳分布的轴承故障诊断

将小波包变换理论和伪魏格纳分布应用于齿轮箱故障诊断中,结合实例对轴承的振动信号进行分析,结果表明:小波包变换能有效地提取各频段的高频成分,通过对提取的信号做伪魏格纳分布,结果能形象、直观地反映出轴承故障的时-频信息,而且对故障信息具有较强的判别能力。     

变论域模糊自适应滑模有限时间收敛制导律

针对拦截高速机动目标的需求,研究了一种变论域模糊自适应滑模有限时间收敛制导律。推导了导弹-目标空间拦截模型,设计了三维滑模制导律;根据有限时间收敛制导律专家的经验,采用模糊自适应控制方法对滑模制导律的非切换项进行逼近,并设计了有限时间收敛模糊控制规则;提出了一种新型变论域伸缩因子,设计了基于新型伸缩因子的变论域模糊自适应滑模有限时间收敛制导律。仿真结果表明,所设计的制导律能够使导弹准确命中目标,并能够达到视线角速率有限时间收敛,且与比例制导律相比,具有更高的制导精度和更短的飞行时间。     

A novel signal feature extraction technology based on empirical wavelet transform and reverse dispersion entropy

Feature extraction is an important part of signal processing, which is significant for signal detection, classification, and recognition. The nonlinear dynamic analysis method can extract the nonlinear characteristics of signals and is widely used in different fields. Reverse dispersion entropy (RDE) proposed by us recently, as a nonlinear dynamic analysis method, has the advantages of fast computing speed and strong anti-noise ability, which is more suitable for measuring the complexity of signal than traditional permutation entropy (PE) and dispersion entropy (DE). Empirical wavelet transform (EWT), based on the theory of wavelet analysis, can decompose a complex non-stationary signal into a number of empirical wavelet functions (EWFs) with compact support set spectrum, which has better decomposition performance than empirical mode decomposition (EMD) and its improved algorithms. Considering the advantages of RDE and EWT, on the one hand, we introduce EWT into the field of underwater acoustic signal processing and fault diagnosis to improve the signal decomposition accuracy; on the other hand, we use RDE as the features of EWFs to improve the signal separability and stability. Finally, we propose a novel signal feature extraction technology based on EWT and RDE in this paper. Experimental results show that the proposed feature extraction technology can effectively extract the complexity features of actual signals. Moreover, it also has higher distinguishing ability for different types of signals than five latest feature extraction technologies.