基于二值HT的多LFM信号检测

Wigner-Ville分布对于单分量LFM信号有很好的时频聚集性,但WVD是二次型变换,故对信号环境中复杂的多LFM信号不可避免的存在交叉项的干扰。HT可以消除交叉项的影响,能够很好的对多个LFM信号进行检测,但存在大信号淹没小信号的现象。提出二值HT能够很好的解决上述问题,为多LFM信号的检测技术提供理论依据。     

鱼雷内弹道特征参数估计的回归分析

论述了以建立回归方程为中心,利用有限的实验数据建立舰艇鱼雷发射内弹道特征参数（鱼雷出管速度、膛压极值）的线性回归方程。通过实验数据计算,证明这是一种舰艇鱼雷发射内弹道特征参数估算的有效方法。在回归分析法基础上,提出了如何进行实验的优化。     

宽带LFM信号的子带脉冲干扰技术

宽带线性调频信号具有高的处理增益,与信号不相关的噪声干扰难以奏效,而利用全脉冲信息形成的应答式延迟转发干扰或移频干扰虽然具有与雷达信号极高的相关性,并能得到很高的处理增益,但需要雷达信号的精确参数,且最少延迟目标回波一个脉冲宽度,在大脉宽情况下容易造成干扰失效。为此,提出了子带脉冲相关干扰技术,利用部分相干的子带脉冲干扰信号可以获得一定的处理增益,同时有降低了干扰延迟时间。理论分析和仿真试验都说明该方法可以对宽带LFM信号形成有效的干扰,具有较好的应用前景。     

基于WVD和Hough变换二值积累的信号检测方法

WVD-Hough变换是检测多分量线性调频信号的有力工具,但当多分量线性调频信号能量相差较大时,采用WVD-Hough变换进行检测,就会导致强信号对应峰值的平台将弱信号所对应的峰值掩盖掉。虽然可以通过基于＂CLEAN＂思想的算法将信号一一检测出来,但带来的计算量急剧增大。为此在WVD-Hough变换的基础上提出了基于WVD-Hough变换的二值积累方法,该方法可以同时检测出强信号以及被强信号平台掩盖的弱信号,具有很大的实用价值,仿真的结果验证了算法的有效性。     

核测井中NaI(Tl)闪烁探测器性能探讨

NaI(Tl)闪烁探测器由于具有较高的探测效率,价格也比较便宜,被广泛地应用于国防工业和国民经济建设中,本文介绍了石油测井中所用到的NaI(Tl)闪烁探测器。利用我们的多道分析器(ORTEC918A),对组装好的NaI(Tl)探测器的性能作了测试,分析了影响探测器性能的因素,为探测器的选型、定型提供了实验方法。     

船舶操纵性指数预报研究

为了对营运船舶的操纵性进行预报,基于SPSS软件的相关分析和统计功能,采用多项回归法对59艘船舶的K、T指数统计资料进行分析,得出具有一定精度的K′、T′指数估算公式.考虑船型数据之间非线性因素的影响,构造了四元二阶多项式回归模型.增加了渔船等中、小型船舶,使回归方程更具有普遍性.所构建的船舶操纵性指数回归模型较原有的回归模型将K′、T′的复相关系数精度分别提高了8.5%和7.2%,在保证原回归方程显著性的基础上兼顾了数据拟合的精度和回归多项式的简洁性.因此,该模型对操船者在航海实践中评估船舶的操纵性有一定的实用价值.     

全回转起重船主尺度模型研究

分析了国内全回转起重船的发展现状及发展趋势,对现有的船型数据资料进行整理分析,利用EXCEL回归分析、Matlab中BP神经网络工具与RBF神经网络工具分别建立了全回转起重船主尺度与最大起重量的关系模型,并对它们的回归分析误差进行了比较.该模型的建立有利于掌握全回转起重船主尺度要素随起重量的变化规律,对起重船方案设计以及后续的技术经济论证可起指导性作用,有助于该船型的报价设计和初步设计,并可使其总体设计得到优化.     

施工期软土边坡稳定分析中抗剪强度指标的确定方法

灵敏度高、抗剪强度低的软土边坡、码头工程施工期安全储备低,易发生失稳破坏.十字板强度一般被作为施工期稳定分析较常采用的抗剪强度指标,但据工程经验表明,十字板强度计算的施工期的安全系数偏低.经分析,十字板强度不能反映实际土体滑动面的抗剪强度,是抗剪强度中的最小值.由此,基于摩尔-库伦抗剪强度公式,考虑土体各向异性等建立了十字板强度与深度的线性方程,可将抗剪强度指标回归出来.将回归出的抗剪强度指标用于数个实际边坡中,表明在塑性指数为20左右的土中,安全系数可提高到1.0～1.1,较准确地反映了土体真实抗剪强度.同时,就稳定安全系数与塑性指数的关系作了探讨,提出将安全系数修正到1.0的方法.     

高速公路动态交通流Elman神经网络模型

为了提高高速公路交通流建模的精度,分析了离散的高速公路动态交通流数学模型,基于Elman网络原理,建立了回归神经网络交通流模型。回归神经网络的输入层、上下文层、隐含层和输出层的节点数目分别选为8、30、30和2,采用Levenberg-Marquardt算法对回归神经网络进行训练,并对一条5路段的高速公路进行仿真。结果表明:回归神经网络平均相对误差为8.683 7×10-5,最大相对误差为4.237 1×10-4,与BP神经网络和RBF神经网络相比较,Elman回归神经网络能更好地逼近交通流数学模型,真实地描述交通流基本特性,能准确地建立动态交通流模型,适应交通状况的变化。     

基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备的当前状态。