共查询到19条相似文献,搜索用时 46 毫秒
1.
2.
3.
4.
5.
自适应波束形成算法是智能天线的核心技术,而各种波束形成算法都要通过硬件来实现。本文主要介绍数字波束形成系统的组成、实时系统硬件结构和特点以及DSP软件的算法实现,从而给出TMS320C54的硬件结构框图和基于MSINR准则的算法的流程图。 相似文献
6.
基于RBF神经网络的温度场重建算法研究 总被引:2,自引:1,他引:2
在声学法锅炉炉膛温度场测量中,重建算法是实现炉膛温度场重建的关键。本文提出一种基于径向基函数神经网络的复杂温度场重建算法。该算法首先对被测温度场用离散余弦变换,建立离散余弦变换低阶次项DCT系数向量与声波路径平均温度向量的映射关系,然后利用RBF神经网络良好的函数逼近能力实现该映射关系,并通过正交最小二乘法进行学习和训练,实现被测温度场的重建。本文对3种原型温度场进行了重建,并在40dB、30dB和20dB等3种不同噪声水平下进行了重建实验。仿真及初步实验结果表明,该算法具有温度场重建精度高、速度快、抗干扰能力强的特点。 相似文献
7.
8.
根据滚动轴承振动信号的频域变化特征,利用小波分析对其建立频域特征向量,准确地提取了故障的特征信息,结合RBF神经网络训练速度快的优点,将RBF神经网络应用于轴承故障特征的选择,并利用所确定的特征及RBF分类器进行故障诊断。实验结果表明,该方法可实现滚动轴承故障的可靠诊断。 相似文献
9.
10.
罗特曼透镜是一种重要的多波束形成网络.本文介绍了歹特曼透镜的设计方程,并用基于MoM的电磁仿真软件FEKO对所设计的罗特曼透镜进行了仿真分析,得到了透镜电流分布,端口驻波以及相位分布,为罗特曼透镜的设计提供了参考依据. 相似文献
11.
基于盲均衡理论的弱冲击故障的检测研究 总被引:1,自引:0,他引:1
弱冲击故障检测是故障诊断中既困难又十分重要的研究课题,是实现故障早期诊断的基本手段。本文在分析了现有的冲击检测技术存在问题的基础上,基于盲均衡理论提出一种独特的直接提取和检测弱冲击故障信号的方法。首先根据动力学理论研究和建立了机械系统早期冲击响应模型,分析了较小冲击下的振动响应特征;然后根据盲均衡理论研究和建立了提取弱冲击信号的盲均衡模型和算法,并进行改进;最后用两个冲击实验和一个实际工程实例进行实际检验。研究结果表明本方法能够十分有效地从有噪声和干扰中检测期望的信号。 相似文献
12.
13.
一种用于QAM通信系统的盲相位恢复算法 总被引:1,自引:0,他引:1
本文对QAM星座图相位旋转的恢复进行了研究,发现通过对旋转后的星座图实施试探性相位补偿,并对补偿后的信号点进行判决,就可以在MMSE准则下简单的实现旋转相位提取。该算法为开环结构的盲算法,不需要辅助训练序列和判决反馈数据;同时算法利用所有接收信号点携带的相位旋转信息,可在较短的观测区间内实现相位恢复。 相似文献
14.
基于空间自适应和正则化技术的盲目图像复原 总被引:3,自引:3,他引:3
在原非负支撑域递归逆滤波(NAS-RIF)算法基础上,本文提出一种基于空间自适应和正则化技术的改进算法。在代价函数中,引入两项空间自适应的加权项,分别用来确保图像复原的逼真和平滑,自适应加权项需根据观察图像的局部特性和噪声方差求得。并加入正则化项,以达到抑制噪声的目的。本文提出了根据观察图像来估计噪声方差的方法,因而不需要知道噪声方差的先验条件。在求解中,采用共轭梯度算法来进行求解。对不同背景和不同信噪比的图像进行了仿真实验。结果表明:改进后的算法比原来的算法复原效果更好。 相似文献
15.
16.
17.
针对以往稀疏盲信号分离算法中恢复源信号时所采用的线性规划或最短路径法计算相对复杂,提出了一种基于子空间法的机械故障欠定盲源信号恢复方法。该算法假设源信号由两个正交向量构成:其中一个向量位于混叠矩阵A的行空间中,另一个位于A的零空间中,位于行空间中的向量可以通过A的Moore-Penrose伪逆得到,位于零空间中的向量通过贝叶斯估计得到。新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求。将其用于实测齿轮故障信号的盲分离,研究表明该方法能够分离齿轮系统的典型故障,取得了较好效果。 相似文献
18.
Neural-network-based modeling and optimization of the electro-discharge machining process 总被引:2,自引:2,他引:0
S. Assarzadeh M. Ghoreishi 《The International Journal of Advanced Manufacturing Technology》2008,39(5-6):488-500
In this research, a new integrated neural-network-based approach is presented for the prediction and optimal selection of process parameters in die sinking electro-discharge machining (EDM) with a flat electrode (planing mode). A 3–6–4–2-size back-propagation neural network is developed to establish the process model. The current (I), period of pulses (T), and source voltage (V) are selected as network inputs. The material removal rate (MRR) and surface roughness (Ra) are the output parameters of the model. Experimental data were used for training and testing the network. The results indicate that the neural model can predict process performance with reasonable accuracy, under varying machining conditions. The effects of variations of the input machining parameters on process performance are then investigated and analyzed through the network model. Having established the process model, a second network, which parallelizes the augmented Lagrange multiplier (ALM) algorithm, determines the corresponding optimum machining conditions by maximizing the MRR subject to appropriate operating and prescribed Ra constraints. The optimization procedure is carried out in each level of the machining regimes, such as finishing (Ra≤2 μm), semi-finishing (Ra≤4.5 μm), and roughing (Ra≤7 μm), from which, the optimal machining parameter settings are obtained. The optimization results have also been discussed, verified experimentally, and the amounts of relative errors calculated. The errors are all in acceptable ranges, which, again, confirm the feasibility and effectiveness of the adopted approach. 相似文献
19.
针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离(Nonlinear Blind Source Separation, NBSS)算法。该算法先利用反向传播(Back Propagation, BP)神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析(Independent Component Analysis, ICA);然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化(Particle Swarm Optimization, PSO)算法的核独立成分分析(Kernel ICA, KICA)相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。 相似文献