傅里叶变换成像光谱技术在化学战剂遥测中的应用

叙述了化学战剂遥测技术的进展情况,并对傅里叶变换成像光谱技术的基本原理、发展状况做了分析,对动镜结构和无动镜结构两种方式的傅里叶变换成像光谱技术做了比较。提出将该项技术应用于化学战剂遥测领域的设想。     

一种面向水上应急救援定位设备的北斗信号捕获方法

为减小水上应急救援定位设备完成触发报警的耗时,提升设备在无先验信息冷启动情况下的定位效率,提出一种针对北斗三号B2a信号的捕获方法,利用匹配滤波器(Partial Matched Filters, PMF)对信号直接数字下变频,采用单边带捕获方法消除B2a信号自相关函数多峰特性,通过匹配相关结合快速傅里叶变换(Fast Fourier Transform, FFT),将码相位-多普勒频移的二维搜索降为一维的频率并行搜索,减少捕获时间。通过推导PMF长度和FFT点数对捕获性能的影响,分析相关损失与多普勒频移和相关器长度的关系,提出参数选择建议。结果表明：在信噪比-30 dB的情况下,仍可获得明显的最大相关峰,顺利完成对信号的捕获;与传统并行码相位搜索方法相比,该方法降低了对采样率的要求,有效减少硬件资源消耗、缩短捕获时间、提高捕获灵敏度。     

基于机器视觉的钢轨光带检测方法

为了从轨道图像中准确地提取轨面区域并检测光带位置,根据钢轨光带的结构特征,提出了基于机器视觉的钢轨光带检测方法。首先根据轨道图像的频域特征,设计了基于占优的频率域采样值的轨面区域定位算法,从轨道图像中准确提取出轨面区域;然后利用图像灰度变换突出光带与非光带区域的边界,通过逐行计算梯度识别光带的位置。结合实际线路的轨道图像,采用该方法对钢轨光带进行检测,并与现有方法进行对比。结果表明：该方法能有效地检测钢轨光带,计算的光带区域与人工标注的光带区域的交并比平均值达到了88.81%,比现有方法提升了11.58%。     

竖轴固定偏角直叶片潮流水轮机自启动性能研究

竖轴固定偏角直叶片潮流水轮机的自启动能力较差。文章根据模型试验的观测分析,利用Fluent软件模拟计算在不同水流速度下叶片在圆周不同位置时的潮流水轮机自启动性能,并与加装叶柵附体的水轮机进行比较,得出加装叶柵附体可以提高水轮机的自启动性及水轮机的水动力性能。     

舵叶锥孔专用加工设备研究与开发

由于大型舵叶锥孔的加工难度大,加工成本高,已成为船舶机加工的难点.为有效解决这一重要技术难题,提出大型舵叶锥孔加工专机的设计方案,研发了一种专用加工设备.应用表明,它能有效提高加工效率和保证加工精度,方便用户使用.     

基于血流图双树复数小波域傅里叶变换的红外人脸识别方法

提出了一种基于血流图与双树复数小波域傅里叶变换的红外人脸识别方法．首先利用血流模型把温谱图转换成血流图,然后将人脸血流图进行一级双树复数小波分解,保留分解后的4个低频子带并分别进行傅里叶变换,得到每个低频子带的特征矩阵,分别计算4个子带的欧氏距离并进行简单的加法融合,再用三阶近邻分类器得到最终的识别结果．为了减小算法的时间复杂度,我们对血流模型进行简化．实验结果表明,本文所提的方法有较好的识别结果．而简化的血流图相比原模型的识别率没有明显的下降,甚至某些情况下还稍高于血流模型,说明本文的方法是有效的．     

基于DFT的非采样间隔信道OFDM系统信道估计

提出了一种改进的基于DFT的系统信道估计方法．该方法充分考虑了非采样间隔信道的冲激响应能量泄漏问题．通过计算能量增长率选择保留路径,实现了基于DFT的非采样间隔信道OFDM系统信道估计．仂真结果表明,改进算法的均方误差（MSE）及误码率（SER）介于传统的LS估计及MMSE估计之间．在信噪比为15dB时,改进算法的MSE相对LS估计有3．5dB的改善．     

基于频域积分的振动信号处理方法

加速度信号的精度决定了汽车瞬态响应分析的结果。在分析了道路振动信号固有特性的基础上,提出了基于频域积分的振动信号处理方法。该方法简单实用,具有很好的通用性,对汽车的瞬态响应分析提供了足够精度的数据。     

路基路面材料室内振动压实动态响应特征分析

为研究路基路面材料在实际振动压实过程中的动态响应特征演化规律,选取路基土、水泥稳定碎石及沥青混合料三种常用工程材料,通过安装在振动压实仪上的加速度传感器,记录压实过程中动态响应的原始数据.参考目前主流的三种智能压实控制指标(CMV、RMV以及CCV),对加速度传感器采集原始数据进行滤波和快速傅里叶变换,分析相应指标在振...     

基于深度学习框架的多类运动想象脑电分类研究

模式识别是脑机接口(brain computer interface,BCI)系统的核心部分,其中特征提取和分类方法对最终分类结果有着决定性作用.针对多类运动想象脑电识别过程中特征提取困难,识别准确率低的问题,文中提出了一种新的基于深度学习框架的多类别运动想象脑电分类方法.首先,为了满足深度学习方法的大批量样本的需要,使用自编码器(auto-encoder,AE)对训练样本进行扩充;其次,针对脑电信号的特点,设计4个巴特沃斯带通滤波器提取脑电的θ、α、β和γ波段,并对每一波段的信号进行傅里叶变换,然后计算幅值的均值和方差;最后,通过深度信念网络(deep belief network,DBN)对脑电信号进行分类识别.文中使用BCIⅢ的竞赛数据集对所提出的方法进行验证,实验结果表明,文中方法能够有效地提高多类运动想象脑电的分类准确率,分类结果的平均kappa系数达到了0.802 4.