部分参数不准确的线性系统H∞状态估计滤波问题

本文研究了部分参数不准确的线性系统的Ｈ_∞状态估计滤波问题,或即参数鲁棒性Ｈ_∞估计问题。我们先把它简化为带δ参数的对象的Ｈ_∞状态估计滤波问题,采用Ｊ无损分解方法,推导出可解性条件和滤波器的全部显式通解。     

FUZZY格的部分结构理论

在参考文献1的基础上,对Fuzzy格理论作了进一步探讨。提出Fuzzy格C—理想、正常集、C—主理想、C—同态、C—格同余的定义。得出C—理想与格理想不同的特征性质与类似性质;在Fuzzy格C—同态与C—同余的意义下,给出保C性与通过C—理想构造的一类同余关系。     

理想图式简论

理想图式是解决主客体矛盾的理论形式。作为观念形态的人化自然,它深刻地体现着人类解决主客体矛盾的主观能动性质。理想图式又是理性认识的最终成果,它作为理性认识高级阶段的产物,揭示着人类理性认识的实质。理想图式的形成是辩证法、认识论和逻辑学的统一。辩证法的五对范畴,可作为创造性认识的逻辑构架,以刻画理想图式形成的逻辑历程。     

反坦克导弹的气动参数辨识

本文运用极大似然法进行激光驾束制导反坦克导弹气动参数的辨识。在辨识的迭代寻优过程中,采用变步长搜索提高辨识准度;在辨识算法的具体计算处理上,采用了模型分解法,大大减少了计算时间,保证了气动参数的辨识精度。同时给出辨识仿真验证结果.     

工作专班贵以“专”

为有效推动急难险重任务破题攻坚,遴选骨干力量成立工作专班,建立周期会商、信息传递、资源归集、责任分解等制度,集中优势兵力打主动战、歼灭战,是当下各级较为常用的一种工作方法。但也应该看到,实际工作中,各单位不同程度存在专班众多但运行不畅、人才济济但缺乏合力、“开张”许久但成果寥寥等问题。细究原因,就在于“专”的品质没有凸显、“班”的定位出了偏差。     

顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

谨防“层层传导压力”走样变味

前期到基层调研,一些基层干部反映:时下许多工作,从上到下一级对一级传导压力,层层开会分散任务,把落实的责任以“主体责任”为借口,落在基层的头上,又是“留痕”又是报表,又是考核又是问责,基层感觉“压力山大”。“没有压力就没有动力。”科学地分解任务、压实责任,形成“一级抓一级、一级带动一级”的责任落实机制,本是抓工作落实的有效方法。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

基于小波分析的子带特征提取与选择方法

在研究了目标图像多尺度小波分解特性的基础上,提出了基于小波多尺度分解子带主成分的特征提取的算法。该算法利用图像在不同尺度的小波变换域中能量局部集中性,选择各子带能量较集中的局部小波系数构成图像目标特征向量。这种特征包含图像目标的主要边缘、纹理、灰度、结构等多种信息。由于对图像目标的特征信息的分布没有任何限制,因而适用于多种类型的图像的特征提取,可以解决单一特征提取方法中必须面对的所提取特征不明显的难点。这种特征向量对噪声有较好的鲁棒性。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析;利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节;增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高;前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。