常用温度控制法的对比

常用温度控制包括常规PID、模糊、神经网络、Fuzzy-PID、神经网络PID、模糊神经网络、遗传PID及广义预测等控制方法.常规PID控制易于建立线性温度控制系统被控对象模型.模糊控制基于规则库,并以绝对或增量形式给出控制决策.神经网络控制采用数理模型模拟生物神经细胞结构,并用简单处理单元连接成复杂网络;Fuzzy-PID为线性控制,且结合模糊与PID控制优点.并给出了各方法的控制特性、功能及主要应用场合.     

基于对偶四元数的圆锥及划船误差补偿改进算法

为提高高动态环境下的对偶四元数捷联惯性导航算法解算精度,将梯形数字积分算法应用于圆锥和划船误差补偿算法中,改进了姿态和速度解算算法,提高了对偶四元数捷联惯性导航算法的解算精度。在单个采样周期内,利用前一时刻采集的陀螺角速率信号和当前时刻采集的陀螺角速率信号,通过梯形积分方式计算角增量进行圆锥误差补偿;利用前一时刻采集的加速度计信号和当前时刻的加速度计信号,通过梯形积分方式计算速度增量并结合同一时刻的角增量进行划船误差补偿。通过设计的多组动态模拟仿真航迹验证表明,当角速率和比力作为圆锥和划船误差补偿算法输入时,梯形积分算法的精度高于传统的矩形积分算法,且航迹的动态性越高,改进算法的性能优势越显著。同时,通过动态跑车实验结果的分析对比,进一步验证了该改进算法的实用性。     

Bayes匹配场地声参数反演:多步退火Gibbs采样算法

为实现海洋地声环境参数的快速高效反演,提出多步退火Gibbs（Multi-AG）采样算法,可消除因参数搜索空间设置对参数反演结果的影响,并有效解决Bayes匹配场高维参数反演过程中常见的运算量大、旁瓣高等问题。分析待反演地声参数对匹配场处理器的敏感性,用以制定多步反演与退火方案,利用Gibbs采样算法反演敏感性级别最高的参数,计算其均值并代入后续反演步骤,进而采用退火Gibbs采样算法逐步反演后续参数;利用数值仿真实验对比Metropolis-Hastings算法、Gibbs采样算法、快速Gibbs采样算法和Multi-AG采样算法的反演效果。实验结果表明,与其他3种算法相比,Multi-AG采样算法可通过最小的计算量得到均方差最小、精度最高的参数反演结果。     

基于二次相关水下声源定向(时延)研究

以三基元线列阵为例，介绍了利用两个互相关函数的再作互相关的时延估计方法（二次相关），并给出了它的快速计算方法。通过计算仿真结果证明这种方法对低信噪比下窄带和单频信号具有较高时延估计精度。     

基于方位-能量的海底声学参数估计方法研究

估计海底声学参数并应用的方法有很多种,但由于过程复杂、投入较大,大都不容易实施.文中利用建立的方位-能量估计海底参数模型,在预先给出目标距离的情况下,使用遗传算法估计海底声学参数.这使得潜艇自身的声纳既可以用于在平时训练中积累海区海底声学参数又可以在战时直接使用这些参数为作战服务.这样海底声学参数的估计与应用有机的结合为一个整体,使得整个过程简便快捷、易于实现.     

基于霍尔哲算法的伺服机构固有频率估算

伺服机构固有频率是影响伺服系统伺服精度、响应能力的重要参数,在设计阶段就需要对伺服机构的固有频率进行计算。霍尔哲算法物理概念清楚,运算简便。用霍尔哲算法编写的应用程序,可以快速计算伺服机构传动链的固有频率,实现传动链固有频率的有效评估和优化设计。     

基于Turbo协同分集的通信方案的性能仿真

本文基于Turbo码和协同通信的相关理论,提出一种新的基于Turbo协同分集的协同通信方案。在加性高斯白噪声和瑞利快衰落的两种信道条件下的仿真结果表明,基于Turbo协同分集的协同通信方案比现有的基于Turbo编码的协同通信方案具有更优的误比特率性能。     

一种基于路径的新型自适应路由算法

构造了一种新型的路由表,设计了基于遗传算法的自适应路由算法(GAR),并在PC机上实现了简化的GAR.在局域网环境下,对GAR和基于跳计数准则的RIP的模拟试验表明,在相同的网络负载下GAR的平均通信延时是RIP的20%.该算法能够降低网络延时,平衡网络负载,提高网络性能.     

基于CPS的建筑环境数据级检测融合方法

针对建筑环境CPS数据级融合可靠性的问题,采用线性最小方差估计的方法对传统自适应加权融合算法进行改进,不仅减小了均方误差,而且使得融合结果可靠性更高。在数据融合前进行限幅处理,判断数据是否异常,对异常数据的加权因子进行配置处理,既提高了数据的筛选性,又保证了系统数据融合结果的可靠性。仿真实验表明了该方法的有效性。     

一种改进的K-Modes聚类算法

传统的K-Modes算法采用0-1简单匹配方法计算对象与类中心(Modes)之间的距离,并将每个对象分配到离它最近的类中去。采用基于频率方法重新计算各类的类中心(Modes)、定义目标函数,然而,对象的归类方法和目标函数的定义没有充分考虑分类数据的特点。对此,提出一种改进的K-Modes算法,采用期望熵最小的衡量方法进行归类,并且采用期望熵作为新的目标函数。通过实验将该算法与传统的K-Modes算法进行比较,表明该算法是更有效的。