优化拉丁方试验设计方法及其应用

计算机仿真是复杂系统优化的一种有效手段,但需要耗费大量机时,必须严格限制仿真次数。针对此提出了优化拉丁方试验设计方法,该方法需要较少的仿真次数,且兼顾方案的正交性和均匀性,采用Cholesky分解生成初始解,通过模拟退火算法对拉丁方矩阵进行优化,定义动态权重因子实现正交性与均匀性的权衡。最后构建了一个实例,通过试验结果证明采用优化拉丁方试验设计方法可以生成具有较好性质的仿真方案,且仿真次数少。     

采用压缩感知的卫星高频姿态确定方法

高频振荡通常会超过星载陀螺和星敏的测量频率范围,导致卫星姿态确定精度下降。因此,提出一种基于常规姿态传感器进行高频姿态确定的方法。将高频姿态抖动看作一个稀疏信号,通过压缩感知的方法将该信号从低频采样结果中恢复。利用低带宽姿态传感器和卡尔曼滤波器测量得到低频姿态数据并进行融合,再通过压缩感知算法从融合数据中恢复出高频姿态数据。通过仿真实验验证了该方法的有〖BHDWG8,WK10YQ,DK1*2,WK1*2D〗〖XCWP.TIF;%129%129〗听语音 聊科研与作者互动 效性。     

尺度自适应特征压缩跟踪

为在复杂环境中对目标进行长时间精确跟踪,提出一种尺度自适应特征压缩跟踪算法。通过结构约束性采样,获取不同尺度不同位置的扫描窗,离线计算不同尺度下的稀疏随机感知矩阵。在线跟踪时利用这些矩阵感知对应尺度的图像采样块,实现特征降维,提高运算速度。利用朴素贝叶斯分类器对降维特征判决,在线学习更新分类器参数,找出具有最高分类得分的采样块作为新的跟踪结果,实现跟踪位置及尺度的自适应更新。实验结果表明,该算法能适应目标的基本姿态变化及尺度缩放,不依赖于目标初始跟踪区域尺度选取,跟踪结果具有较强的鲁棒性。     

在线学习的主用户仿冒攻击策略

在认知无线网络中,次用户通过频谱感知来学习频谱环境,从而接入那些没有被主用户占用的频谱空隙。事实上,多种恶意攻击的存在会影响次用户频谱感知的可靠性。只有深入研究恶意攻击策略,才能确保认知无线网络的安全。基于此,研究了一种认知无线网络中的欺骗性干扰策略,即主用户仿冒攻击策略,该攻击策略通过在信道上传输伪造的主用户信号来降低次用户频谱感知的性能。具体来说,将攻击策略问题建模为在线学习问题,并提出基于汤普森采样的攻击策略以实现在探索不确定信道和利用高性能信道间的权衡。仿真结果表明,与现有的攻击策略相比,提出的攻击策略能更好地通过在线学习优化攻击决策以适应非平稳的认知无线网络。     

空时频域中欠定混合条件下的波达方向估计

波达方向估计是阵列信号处理领域的热点问题,但经典的波达方向估计方法通常要求阵元数大于源信号个数,即满足超定条件,而在实际中往往面临的是源信号个数大于阵元数的欠定条件。基于此,提出了一种基于空间时频分布的多重信号分类扩展算法,通过将空间时频分布矩阵进行扩展,实现了欠定条件下的波达方向估计。相比时频多重信号分类算法,所提算法能同时适应超定和欠定条件;相比已有的欠定波达方向估计方法,其不但保证了波达方向估计的精度,而且放宽了对源信号稀疏性的要求,同时还降低了对快拍数的要求。仿真实验结果证明了该方法的有效性。