一种自适应频率调节器的设计和分析

本文阐述了一种自适应频率调节器的电路组成及主要部分的工作原理。由于在幅压条件下调频精度与并联运行稳定性之间存在矛盾,本文采用了变结构控制的方案,并从电路上加以实现,从而有效地解决了这一难题。     

自适应语音回波抵消器的实现

本文详细地介绍了在对回波抵消自适应梯度算法进行计算机模拟的基础上,用 TMS32010实现的语音回波抵消器,说明了在保密机和卫星通信系统中应用情况并给出测量出性能结果。     

一种新型雷达接收机前端的研制

本文介绍一种具有快速、准确、高载获率和高分辨率的Ｃ波段雷达侦察信道化接收机的前端,首先叙述它的组成原理,然后简介电路的构成适到的性能参数。     

一种新型高效程控斩波器的设计

提出利用当前国际先进专用开关稳压电源集成芯片,设计高效、低纹波的新型新波器的原理及电路实现,并在实验条件下证明了本设计的工程适用性。     

仿蝴蝶扑翼飞行器:研究进展、挑战与未来发展

以昆虫为灵感设计的仿生扑翼飞行器在近三十余年来的时间里发展迅速,而蝴蝶作为众多昆虫中极富特色的一种也得到了许多研究者的关注。国内外以蝴蝶为研究对象进行了许多的仿生学研究和仿生飞行器研制,尤其是近十年来仿蝴蝶扑翼飞行器的设计与制造取得了较大的进展。对这一热点领域的研究进行了综述。首先从仿蝴蝶扑翼飞行器(BIFAV)的升力机制研究、结构设计与制造以及驱动与控制方面,综述近年来所取得的研究成果;其次指出仿蝴蝶扑翼飞行器目前在大小尺度、飞行灵活性、续航时间、控制鲁棒性以及仿生的逼真性方面仍然存在研究挑战;最终表明其未来的研究将朝着更小的尺寸、更灵活的飞行与更可靠的控制、更高的仿生程度等方向进一步完善。     

复杂海战场环境下AUV全局路径规划方法

针对无人自主水下航行器(Autonomous Underwater Vehicle,AUV)在复杂海战场环境中路径规划时环境模型复杂、约束条件多的情况,建立了包括战场地形、敌方威胁、障碍物和海流场等在内的比较完善的海战场环境模型.以AUV航行时间、威胁时间最短为优化目标,给出了一种基于振荡型入侵野草优化(Invasiv...     

基于自抗扰控制的高超声速飞行器再入制导律

鲁棒制导律设计是增强高超声速飞行器再入突防能力、提升飞行安全性的重要保障.针对多约束条件及多种气动参数摄动影响的高超声速飞行器再入轨迹抗干扰跟踪问题,首先,在标准轨迹制导的框架下,结合模型辅助线性自抗扰控制和基于航向角误差走廊的几何制导逻辑,提出了一种可满足纵向和横侧向平面制导任务需求的自抗扰再入制导律;其次,采用反馈...     

基于AKF的无人水翼航行器纵向姿态控制研究

无人水翼航行器在运行过程中会受到海浪干扰,使得无人水翼航行器姿态控制效果变差,而传统卡尔曼滤波(KF)过程噪声矩阵为固定值,在复杂海况下滤波效果并不理想。针对上述问题,基于一种无人水翼航行器,首先建立了其纵向运动数学模型,并设计了纵向姿态LQR控制器。然后设计了一种基于新息卡方检验值的自适应卡尔曼滤波(AKF),以自适应调节过程噪声矩阵,并将AKF用于对系统反馈状态进行最优估计。通过仿真验证了基于AKF的纵向姿态控制器,能够有效抑制海浪干扰,可以使无人水翼航行器在海浪中平稳运行。     

近自由面串列超空泡航行体的流动特性研究

近自由面串列超空泡航行体的多相流动现象非常复杂,涉及了自由面与空泡的耦合作用以及2个甚至多个超空泡流场的相互干扰。采用VOF方法数值模拟了不同浸没深度条件下串列航行体的多相流动,获得了串列航行体的超空泡演化特性和流场分布特性,分析了自由面对超空泡形态及波浪特征高度的影响。研究结果表明：串列双航行体的超空泡在发展过程中出现了2个超空泡互相融合与分离、尾空泡溃灭等现象;超空泡流场的彼此相互作用导致后发航行体进入了前发航行体的超空泡内部,导致后发航行体受到的阻力减小,航行体的串列布置使后发航行体实现了减阻效果;浸没深度较小时,自由面的作用明显,航行体的超空泡形态上下对称性较差,自由面兴起的波浪特征高度较大,前端高压区压力分布沿航行体中心线不对称。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。