摘要：针对在手写字符识别中 ,因于书写习惯和风格的不同 ,造成字符模式不稳定的问题 ,利用独立分量对信号重建的良好性能 ,采用独立分量分析的方法抽取字符独立特征 ,并建立字符重建模型 ;通过对重建模型的误差分析进行字符识别 ;对美国国家邮政局USPS(USPostalServicedatabase)字库中全部数字字符完整的识别实验 。

摘要：提出了使用FPGA控制DDRSDRAM的读写和SignaltapⅡ的触发条件,实现了高速数据采集。通过FPGA和DDR SDRAM完成高速数据采集之后,利用在线逻辑分析仪SignaltapⅡ将采集到的数据借助JTAG口传输到计算机,实现了采集和传输。通过在GPS接收机设计中的实际应用,进一步验证了该方法简单、实用的特点。

摘要：采用自动测试和综合仿真技术,解决了对雷达的多路被测信号的选择和陀螺平台的模拟等问题,适用于部分气象雷达的故障检测和性能测试,实现对雷达天线、收发机和显示器的自动测试;采用高灵敏度温度传感器、过压过流检测等多种保护措施,满足被测雷达对电源的特殊要求;其智能化程度高,操作简便,实用,可以减少维修检测的人为误差,对于提高飞行安全具有及其重要的意义,因此推广应用前景好,经济效益明显,填补了国内气象雷达检测设备的空白。

摘要：针对PRMA-HS协议由于连续发送预约请求造成系统在重负载时阻塞严重的问题,提出了一种基于发送重传的改进型协议。该协议通过在卫星基站设置专门的缓冲队列,用来存储具有发送请求的话音和数据终端的IDs,并优先考虑话音终端的预约请求,增加了话音终端的接入成功概率,降低了语音分组的接入时延和端到端时延,设计了基于排队理论的剩余时隙分配机制,有效避免了数据分组长时间得不到时隙的"饿死"现象。利用平衡点分析法对协议的性能进行了理论推导,计算机仿真结果表明,改进后的协议在丢包率、接入时延和端到端时延上均优于PRMA-HS协议。

摘要：针对带有落角约束的导弹制导问题,提出一种基于预测校正思想的计算制导方法。根据导弹飞行状态与落角之间的映射关系设计了深度监督学习网络,在导弹飞行过程中基于观测信息实时预测落角;根据落角误差与控制指令之间的映射关系设计了深度强化学习模型,在比例导引律的基础上增加偏置项,基于预测落角误差实时输出偏置项,校正落角误差。引入深度监督学习网络解决了传统强化学习方法中的稀疏奖励问题。设计了仿真飞行实验训练深度监督学习网络与深度强化学习模型,然后测试了提出的计算制导方法的性能。仿真结果表明所设计的计算制导方法准确地实现了落角控制,在嵌入式计算机的计算精度高,实时性好,具备工程实用价值。

摘要：节点定位作为无线传感器网络应用支撑技术之一,一直备受学术界和工业界的关注.现有的大多数定位算法针对平面应用而设计,无法满足三维空间应用.针对目前三维空间定位算法的不足,本文提出了一种基于球面坐标的动态定位机制,将定位问题抽象为多元线性方程组求解问题,最终利用克莱姆法则解决多解、无解问题.仿真结果表明,当在100*100*100m3的仿真场景内部署100个传感器节点,通信半径为10m、锚节点密度为10%时,相对定位误差为50.7%.在算法中引入了最小二乘法理论来估算节点位置以及结果过滤策略以减小定位误差,试验结果表明,改进后的算法性能提高了32.2%.

摘要：采用ZigBee无线组网技术,在实验室条件下搭建了多传感器无线网络,编写仿真软件模拟了多类型的常用传感器。通过设计数据包完成了传感器类型的智能判断,在此基础上初步实现了多传感器信息的集成,并能够将数据以直观统一的形式显示给用户,为下一步的决策管理提供了基础,说明了该系统的有效性。该系统在实验室的成功运行为在实际条件下构建多传感器信息集成系统提供了资料。

摘要：简要介绍了机器人技术在国内外航空领域的应用现状,分析总结了航空维修过程自身独有的特点,提出了机器人技术在航空维修应用中的偏重与限制。以国内某航空维修基地为例,分别从实际已实施典型案例和未来可应用方向这两个方面来阐述了机器人技术在航空维修领域的应用现状和探索方向。同时,基于航空维修自身特点,提炼了在航空维修领域应用机器人技术需要突破的4项关键技术。最后,对机器人在航空维修领域发展方向和趋势进行了展望。

摘要：针对军用无线传感器网络中存在大量不同种类的传感器节点,其异构性易形成的信息孤岛问题,通过设计构建通用无线传感器网络信息融合决策平台来屏蔽各类传感器信息在数据结构上的异构性,以实现数据的集成、挖掘,达到信息的实时共享的目的。重点研究设计了平台的数据包解析模块和及其信息融合机制,并使用数据字典作为数据包解析的核心。采用了决策级结构作为平台的信息融合机制,实现了军用传感器网络的信息融合决策。

摘要：端点检测是语音识别理论研究中的关键技术之一,为了提高语音端点检测方法的抗噪性和准确性,引入倒谱均值减(Cepstral Mean Subtraction,CMS)设计一种新的语音端点检测方法。在传统倒谱均值减算法的基础上,采用隐马尔可夫模型(Hidden Markov Model,HMM)提取最佳特征子集,利用二次分类对传统算法加以改进。针对语音信号清音部分与白噪声频谱特征极其相似,在检测中容易发生误识的问题,提出了加权平滑修正的解决方法,从一定程度上降低了检测中的分类误识率。最后,与传统端点检测方法进行性能比较,证明了该方法的有效性。