基于多状态故障的卫星姿态控制系统剩余寿命预测方法

针对具体的卫星姿态控制系统配置,在对系统可重构性分析的基础上,考虑系统的多状态故障,详细分析系统可能发生的功能模块故障类型,并按故障等级对系统进行故障状态划分;针对系统故障状态间存在的转移关系,通过Kaplan-Meier估计器和极大似然估计方法对故障状态间转移概率模型进行估计,在此基础上建立系统的Petri网预测模型,并根据蒙特卡洛思想对模型进行大量仿真,从而实现对卫星姿态控制系统剩余寿命的离线预测和在线预测。仿真结果验证了该方法的合理性。

非定常条件下大迎角机动控制

针对推力矢量飞机在非定常气动影响下的机动控制问题,提出一种大迎角俯仰机动的控制器设计方案.采用干扰观测器方法对机动过程中的非定常俯仰力和力矩进行估计,并在控制端进行俯仰力矩补偿以及适当的升力补偿,建立了统一参数下飞机线性参变(LPV)模型和外部干扰LPV模型,并基于LPV模型设计了标称控制器和干扰观测器.从大迎角机动仿真中可以看出,控制系统能够控制迎角较好地跟踪输入指令,同时对机动过程中存在的非定常干扰能进行有效地抑制.仿真结果表明利用干扰观测器的方法较其他方法具有更好的控制性能.

结合双重注意力机制的遮挡感知行人检测

针对行人检测算法在交通场景下应用时的遮挡问题,提出一种结合双重注意力机制的遮挡感知行人检测算法。以RetinaNet作为基础框架,在回归和分类支路分别添加空间注意力和通道注意力子网络,增强网络对于行人可见区域的关注;同时引入行人可见边界框信息对传统的回归损失函数进行优化,使其能够随着遮挡程度自适应地调节预测框贡献的权重。在Caltech和CityPerson数据集上的实验结果表明:相较于RetinaNet等8种先进算法,该方法具有较好的鲁棒性和检测精度,尤其是严重遮挡情况下,该算法的对数平均漏检率仅为45.69%,小于其他算法12%以上;此外,该算法能够实现准实时检测,在Caltech和CityPerson上的检测速度分别为11.8帧/s和10.0帧/s。所提出的双重注意力机制和遮挡感知回归损失函数的检测方法具有可行性和有效性,对于遮挡行人的处理有显著优势。

MIMO多中继系统中基于不完全信道状态信息的预编码算法研究

针对配置多个中继节点的多输入多输出(Multiple-input Multiple-Output,MIMO)系统,提出一种不完全信道状态信息(Imperfect channel state information,CSI)下基于最小均方误差(Minimum Mean-Squared Error,MMSE)准则的预编码设计方案,该方案综合考虑各个节点天线之间的相关性及信道估计误差。由于各个中继端预编码矩阵之间可视为相互独立,故将约束优化问题转化为若干半正定规划问题,继而通过内点法或CVX工具箱求解预编码矩阵,然后采用求导法推导出接收端处理矩阵。最后利用迭代算法交替迭代来联合优化预编码矩阵和接收端处理矩阵,直到算法收敛。仿真结果表明,与未能综合考虑各个节点的预编码算法相比,本文提出的算法能明显改善系统BER性能。

基于随机游动的宽带MIMO信道模型研究

针对现有信道仿真模型要求支路数目多且仿真时间长的问题,提出了一种基于随机游动的谐波叠加改进方法,详细推导了该模型输出信道衰落幅值分布及空时相关系数的理论表达式。针对3GPP空间信道模型(Spatial Channel Model,SCM)标准参数的仿真结果表明,新方法输出衰落幅值分布和各子信道衰落空时相关特性均与理论值非常吻合,优于传统精确多普勒频率扩展的仿真方法,可用于未来大规模多支路的多输入多输出(Multiple-Input Multiple-Output,MIMO)信道或多节点网络信道的实时仿真场合。

基于相关向量机的高速列车牵引系统剩余寿命预测

高速列车牵引系统在运行过程中总是受到诸多不确定因素的影响,例如,由于列车的负载、运行环境及元器件的老化引起的不确定性,不确定因素不可避免地影响牵引系统剩余寿命的预测精度.为了提高不确定情景下剩余寿命预测的准确性,本文首先采用改进的相关向量机(Relevance vector machine,RVM)方法,建立鲁棒性能良好的多步回归模型,由于t分布比常用的高斯分布更具有鲁棒性,通过权重和随机误差服从t分布而非高斯分布,改进了相关向量机回归模型,随后将超参数的先验一并融入似然函数,通过最大化似然函数估计未知的超参数,此外,利用首达时间方法从概率角度对剩余寿命进行了预测,最后通过牵引系统中电容器退化的案例,与传统的相关向量机方法、自回归方法和支持向量机方法进行对比,验证了所提算法的有效性.

基于多尺度多粒度特征的行人重识别

针对现有的基于卷积神经网络的行人重识别方法所提取的特征辨识力不足的问题,提出了一种基于多尺度多粒度特征的行人重识别方法。在训练阶段,该方法在卷积神经网络的不同尺度提取特征;然后对获得的多尺度特征图进行分块和池化,从而得到不同尺度的全局特征和局部特征的多粒度特征,使用不确定性权重调节Softmax损失和三元组损失来对特征向量进行监督训练。在推理阶段,对所获得的多尺度多粒度的特征进行融合,使用融合特征在图像库中进行相似度匹配。在Market-1501和DukeMTMC-ReID数据集上的实验表明,所提方法相比基准网络ResNet-50在Rank-1评价指标上分别提升了4.3%和3.6%,在mAP评价指标上分别提升了6.2%和6.6%。实验结果表明,所提方法能够增强提取特征的辨识力,提高行人重识别的性能。

基于变步长序贯压缩的频谱快速感知算法

对信号稀疏度未知甚至时变的频谱感知应用场景,将自适应思想与序贯压缩频谱感知技术相结合,提出了一种可变步长序贯压缩频谱快速感知算法。新算法建立了下一次判决所需观测值数目步长因子与当前对数似然比距门限距离之间的函数关系,克服了现有的序贯压缩检测算法以固定步长增加观测值的不足。分别以分段函数和抛物线函数为步长因子调整规则进行理论分析和仿真实验。仿真结果表明:与现有的序贯压缩检测算法相比,变步长算法具有检测速度快、观测值数目少和计算复杂度小等优点。

线阵中基于降维NC-MUSIC的非圆信号DOA估计算法

通信领域中非圆(NC)信号的波达方向(DOA)估计已经得到广泛的研究和应用。考虑到非圆信号的多重信号分类算法(MUSIC)计算复杂度较高,提出线阵中基于降维NC-MUSIC的非圆信号DOA估计算法。与传统的需要二维搜索的2D-NC-MUSIC算法相比,该算法只需要一维搜索,降低了计算复杂度。仿真结果表明,该算法优于传统的MUSIC算法,并且与2D-NCMUSIC算法的估计性能非常接近。