压电智能杆梁结构点执行器的位置优选准则

基于模态空间控制理论与点压电执行器的Ｅｕｌｅｒ－Ｂｅｒｎｏｕｌｉ点力模型，推导出了柔性梁结构上的点压电执行器所产生的模态控制力与压电片位置处的模态应变成正比的结论。提出了应把点压电执行器置于各阶模态应变的最大值处的点压电执行器的位置优选准则。压电智能柔性梁与柔性框架的计算机仿真结果证明了以上准则的有效性。

空间目标监视雷达信号频率的优选准则

随着在轨微小卫星及空间碎片数量不断增加,为保证在轨卫星的运行安全,需要对微小目标进行有效跟踪探测及稳定编目。雷达作为近地空间目标监视的主用设备,在对厘米级小目标进行探测跟踪时,其工作频率是决定其能否可靠探测关键因素,高频有利于探测小目标,并可获得相对稳定的RCS,但高频信号的波束小、搜索能力较低,实现难度大,也使得成本过高。为适于实际工程应用,需从效费比出发,对频率进行优选。本文从目标RCS的角度提出一种空间目标监视雷达信号频率的优选准则,给出该准则下周长波长比ka的取值范围。为了更加清楚地说明该优选准则的应用,给出了直径5 cm和10 cm的目标在该准则下信号频率的取值范围,并与国外工作做了比较,证明该准则可行。

基于优选准则的混合混沌序列的生成

针对传统的m序列、Gold序列可用作扩频码的数量有限这一问题,提出了用混沌序列代替传统的m序列、Gold序列的方法。针对单个低维混沌映射产生的混沌序列存在抗攻击能力差、密钥空间小、保密性不理想等缺点,依据优选结果将单个低维的改进型Logistic序列与Chebyshev序列组合产生了一种新的混合序列。仿真结果表明,新的混合混沌序列平衡性高、类随机、相关性好,且该混合混沌序列和m序列、Gold序列的抗AWGN干扰和抗单频干扰的能力相近。

智能工厂建设方案的正态云多准则优选方法

针对模糊随机环境下智能工厂建设方案优选问题,从智能、产销、辅助3个支持维度设计评估准则体系,考虑区间数准则权重与正态云准则值,提出基于偏差一致性原理与余弦逼近度的新方法。首先,根据正态云与正态随机变量间的关系,将正态云决策矩阵转化为广义正态随机决策矩阵,通过正态云的3σ原则生成区间数决策矩阵;然后,检验区间准则权重向量的合理性和可行性,运用熵权法与偏差一致性原理构建非线性多目标规划模型,求取综合准则权重向量;进一步,基于规范化区间数决策矩阵,考虑各方案与理想方案的方向与位置差异,计算改进型加权区间余弦相似度及加权区间余弦逼近度,获得各方案的排序;最后,以农业装备制造企业为例,验证了所提方法的可行性和有效性。

基于最优模型选择的多信标长基线定位系统误差辨识方法

为辨识多信标长基线定位系统误差,及提高定位精度,针对目标安装多个信标且目标体积不可忽略的情况,构建了多信标体制的长基线水下定位模型。进一步针对测元系统误差中包含的声速误差、时延误差,在多信标体制定位模型的基础上,构建了多类系统误差辨识模型,并结合水下目标定位过程,计算时延残差,构建模型最优检验统计量,给出了系统误差模型的最优选择准则,实现水下目标位置参数和系统误差参数的有效估计。仿真结果表明,该模型最优选择准则可以有效选择合适的系统误差辨识模型,提高长基线水下目标的定位精度。提出的基于最优模型选择的多信标长基线定位系统误差辨识方法可为水下目标定位试验提供理论支撑和有效参考。

城市轨道交通线网多准则余弦决策支持模型

通过建立城市轨道交通线网方案优选决策多指标评价体系,在考虑AHP和灰色关联分析综合赋权过程基础上,提出应用于轨道交通线网优化的多准则余弦决策支持模型,同时采用苏州市具体案例对模型客观性、公正性和有效性进行了实例验证与研究讨论。研究表明其分析结果科学合理、有说服力。

异步码分多址通信中混沌扩频序列的选择

根据异步码分多址通信的特点 ,本文提出了扩频序列的优选准则 ,并给出了混沌序列的优选方法 .计算结果表明 ,根据该方法优选的混沌序列伪随机特性得到了显著提高 ,与Gold序列相比较 ,更适于异步码分多址通信系统的应用 .最后 ,对各种混沌码组的性能进行了比较 .

时变需求下服装销售企业的动态库存控制

鉴于服装销售具有很强的季节性特点,服装销售企业应该控制好自身的库存环节,采用不同的库存控制模型辅助库存作业。在提出了面向服装销售企业的明星广告效用及库存优选准则的基础上,借助一个较大型的算例,使用经典经济订货批量模型、典型时变需求模型、西尔弗-米尔启发式模型进行了分析,在分析过程中,也对明星广告效用调整之后的情形进行了研究。总的来说,库存优选准则取得了良好的效果,它能为服装销售企业的库存优化决策起到很好的参考。

CNN与CSP相结合的脑电特征提取与识别方法研究

本文针对脑机接口(BCI)应用中需要对脑电信号(EEG)快速精准的解析问题,提出了一种卷积神经网络(CNN)和共同空间模式(CSP)相结合的脑电特征提取与识别方法。在经过预处理的原始脑电信号基础上,通过CSP空间变换获得其特征矩阵。应用CNN对特征矩阵进行学习,对收敛后的CNN网络全连接层的权值进行分析,根据网络学习特性定义CSP特征矩阵筛选准则,得到了低维高效的EEG特征集F,并在特征集F上构建CNN分类器。我们的工作在BCI2005Ⅳa竞赛数据集上进行了实验测试,获得了88.3%的识别准确率。本文方法与s CSP和KLCSP方法在相同的数据集上进行了测试,平均识别准确率分别提升了3.2%和2.4%。本研究综合了数据的时间、空间的特征信息,采用CNN网络学习特性进行特征二次优选与降维,为脑电的特征提取问题提供了一个新的思路。

基于卷积神经网络学习的语音情感特征降维方法研究

针对语音信号认知中需要对语音情感快速精准的解析问题,提出了一种基于卷积神经网络(CNN)学习的特征降维方法。在原始语音情感数据提取大量特征的基础上,通过对不同维度特征进行归正获得其相应的特征矩阵。应用CNN对特征矩阵进行学习,对收敛后的CNN网络全连接层的权值进行分析,根据网络学习特性定义基于CNN的特征筛选准则(FR-CNN),即通过对比每类特征激活权值的不同,计算选择出最有利于分类的特征,得到降维高效的语音情感认知特征集F。在中国科学院自动化研究所提供的多模态情感数据库CHEAVD上,提取全部8类情感数据进行了实验测试,使用全体特征集构建的CNN分类器的类平均识别错误率相比基线减少了2.1%,而本文方法得到的降维后特征集F通过相同的CNN分类器的类平均错误率相比基线减少了9.4%。在对大量特征进行降维筛选的基础上,仅使用原特征集15%的特征,不仅有效增加了分类器的收敛速度,还使得识别错误率有所减小,同时在构筑实际语音情感识别系统时能够减少系统的复杂程度。本研究综合了数据的不同类型的特征信息,采用CNN网络学习特性进行特征二次优选与降维,为语音情感的特征提取问题提供了一个新的思路。

扩频通信系统中伪随机序列的研究

扩频通信系统的频谱扩展是借助扩频函数而实现的,典型的扩频函数就是伪随机序列,实用的伪随机序列必须是具有随机性,有尖锐的自相关特性,有较小的互相关值,有较多的序列数,同时还要求序列平衡,易于实现等特点,本文首先介绍应用广泛的m序列和gold序列,在此基础上研究混沌扩频序列,提出混沌序列的优选准则,并将优选后的混沌序列与传统的伪随机序列Gold序列进行比较。

异步码分多址通信中扩频序列的研究

扩频通信系统的频谱扩展是借助扩频函数而实现的,典型的扩频函数就是伪随机序列,实用的伪随机序列必须是具有随机性,有尖锐的自相关特性,有较小的互相关值,有较多的序列数,同时还要求序列平衡,易于实现等特点,本文首先介绍应用广泛的m序列和gold序列,在此基础上研究混沌扩频序列,提出混沌序列的优选准则,并将优选后的混沌序列与传统的伪随机序列Gold序列进行比较。

混沌序列在准同步码分多址系统中的应用

为了获取适用于准同步码分多址系统的混沌序列 ,提出一种用于准正交序列性能分析的优选准则 ,并通过系统仿真对优选混沌序列进行了验证。在准同步码分多址系统中 ,影响系统性能的是零时延附近的部分扩频序列相关函数 ,而且奇相关函数和偶相关函数发挥同等重要的作用。据此对初值不同的 L ogistic映射序列进行筛选 ,得到了混沌准正交序列组。采用 Monte Carlo的方法 ,在 AWGN信道下对采用混沌优选序列的准同步码分多址系统进行了仿真。结果表明 :优选的混沌序列具有优秀的准正交性 。