瑞利衰落电离层信道的自适应盲均衡

研究通过具有加性高斯白噪声的瑞利慢衰落电离层信道的恒模盲均衡技术。著名的恒模算法(CMA)是一种重要的盲信道均衡方法。但是，普通恒模算法存在收敛速度慢和相位旋转等不足。采用一种修正恒模算法(MCMA)，该算法使修正的误差函数最小并且自适应学习率由接收序列即时调整。两种算法用8—PSK信号进行了盲均衡比较，模拟结果显示修正恒模算法比普通恒模算法的收敛速度快，符号间干扰(ISI)小，另外该算法均衡器输出具有既无相位旋转也无延迟等优点。     

混沌与神经网络相结合的预测算法及其应用

探讨了混沌理论与前馈人工神网络相结合进行非线性时间序列预测的基本原理,并对影响短波通信的两个参数;年太阳黑子数和天１０ｃｍ辐射强度,在ＳＶＤ滤波的基础上进行了预测。     

修正恒模算法分数间隔盲均衡

分数间隔均衡(FSE)能够降低对时间同步误差的敏感性,本文通过修正恒模算法(CMA)的误差函数,提出了一种分数间隔盲均衡修正恒模算法(MCMA).利用通信信号8PSK,对修正恒模算法和传统恒模算法进行了盲均衡性能比较,在噪声环境下的频率选择性信道中,MCMA比CMA具有更强的鲁棒性.模拟结果显示MCMA能够通过提高收敛速率、降低稳态均方误差和符号间干扰(ISI),有效地改进了信道均衡性能.     

四相混沌扩频序列的优选与仿真

根据复数处理的四相异步码分多址系统的特点，分析了四相扩频序列的性能准则，提出了混沌扩频序列的优选方法。通过对大量不同初值的混沌序列进行筛选，得到了性能优异的混沌扩频序列组，混沌优选序列数目多，并且都是平衡序列。采用Monte Carlo的方法，在AWGN信道下，分别采用混沌优选序列和一类四相准最优序列作为扩频序列，对复数处理的异步码分多址系统进行了仿真。结果表明，优选的混沌序列在抗多址干扰方面与准最优序列非常接近，而在抗码间串扰方面体现出明显优势。     

峭度自适应学习率的盲信源分离

本文提出了一种自适应学习率盲信源分离的自然梯度算法,自适应学习率仅依赖于神经网络输出峭度平方和的负指数.开始阶段由于小的峭度,学习率大收敛速度快.之后,随着峭度变大,学习率慢慢变小,产生小的稳态误差.在线性无记忆混合的情况下,用欠高斯信源进行的模拟实验表明,与固定学习率相比,本文提出的峭度自适应学习率盲信源分离算法具有收敛速度快和稳态误差小的特点.     

利用遗传优化算法的混沌时间序列建模

提出一种利用遗传算法对混沌数据序列建模的全局建模方法，可获得接近原始混沌系统的映射。该方法利用遗传算法同时进行函数拟和与参数优化。实验结果表明该方法有较好的建模效果，对用于短波通信的有关电离层参数预测显示了满意的结果。     

Hopfield网络求解TSP的一种改进算法和理论证明

本文通过简化Ｈｏｐｆｉｌｅｄ神经网络求解问题的能量函数，提出了一种神经网络求解ＴＳＰ的改进算法，借助连接矩阵特征值的分析、从理论上证明了该算法保证获得ＴＳＰ有效解的原因。大量计算机模拟实验表明，该算法明显优于目前广泛应用的Ａｉｙｅｒ算法，具有收敛速度快、可避免无效解，易获得优化解等特点。     

WC硬质合金表面涂层摩擦磨损特性及其铣削性能研究

为了研究WC硬质合金表面氮化物涂层的摩擦磨损特性及其对刀具铣削性能的影响,采用物理气相沉积法(PVD)在WC硬质合金表面分别沉积了TiN、CrN和TiAlN 3种氮化物涂层。利用扫描电镜(SEM)、X射线衍射仪(XRD)、摩擦磨损试验机分析了WC硬质合金及3种氮化物涂层的组织和摩擦磨损性能。以45钢为被铣削材料,研究了WC硬质合金及3种氮化物涂层刀具的铣削性能。结果表明：氮化物涂层能有效提高WC硬质合金的表面硬度和耐磨性能,3种氮化物涂层中,TiAlN涂层的硬度最高,相比WC基体提高了26.5%,TiAlN涂层能显著提高WC硬质合金的耐磨性能,其磨损特征为较小的磨粒磨损和轻微氧化磨损。TiAlN涂层的高硬度和高耐磨性能更有利于铣削45钢,铣削过程中产生的氧化膜易覆盖在刀尖表面,起到保护刀具表面的作用,进而显著提高刀具的铣削性能。同时相比其他涂层,TiAlN涂层刀具后刀面的磨屑的黏附少,表现出较强的排屑能力,这对于提高刀具的铣削性能具有重要意义。     

不同幅度通信信号的盲源分离

自然梯度算法是盲源分离的重要方法。本文利用自然梯度算法研究不同幅度的独立信源线性混合的盲源分离问题。我们比较了各种活动函数并提出一个更好的活动函数。由10个强弱不同的通信信号作为信源进行了模拟实验,结果显示用该活动函数算法收敛得更快些。     

一种基于神经网络进行通信网划分设计的并行算法

本文应用神经网络研究通信网设计中的划分问题。文中给出了一种基于神经网络求解图划分问题的并行算法。该算法验证了一些随机生成的例子（包括高达１００个顶点的问题）。计算机模拟结果表明该算法在１５步迭代之内求得较好解，优于传统的启发式算法。