谱载荷下的短裂纹扩展规律及疲劳损伤的研究

本文研究了一种谱载荷作用下的短裂纹扩展规律，并对谱载荷下的疲劳损伤进行了预测与分析，实验发现；谱载荷下的单边穿透短裂纹和缺口短纹都能够在长裂纹的槛植以下以国高的速率扩展，表现出与常幅下短裂纹相似的扩展规律。     

刀具磨损声谱特征的分析

刀具在切削过程中，会产生大量的声信号。文中运用统计方法对切削声信号进行了深入分析，并对可听阈内的声信号按低频带、中频带和高频带分别进行了功率谱分析。研究结果表明，切削声信号中100—8kHz频带内的特征频率分量反映了刀具磨损状态及其变化规律，这为利用声信号进行刀具实时在线监测奠定了基础。     

基于纹理特征与随机森林的生态声音识别

针对真实环境中普遍存在的非平稳噪声,提出一种基于纹理特征与随机森林的生态声音识别方法。该方法首先使用一种基于噪声估计的音频增强算法,即短时谱估计对输入端声音信号进行前端处理,得到增强信号功率谱;然后根据得到的增强信号功率谱图的纹理信息,采用和差统计法对其进行纹理特征提取;最后,利用基于决策树的组合分类器,即随机森林进行识别和分类。设计了两组对比实验,结果表明该方法不仅有良好的识别性能,而且具有噪声鲁棒性。     

基于VCG机制的动态频谱分配算法

针对在Underlay频谱共享方式下的认知无线网络动态频谱分配问题,在满足主用户服务质量（QoS）的前提下,建立一种非合作博弈模型,并设计其效用函数。在借鉴VCG机制的基础上,设计相应的收益函数,提出一种可以最大化认知无线网络系统吞吐量且保证公平性的分布式动态频谱分配算法。仿真结果表明,该算法收敛速度快、公平性强。     

一种基于MUSIC算法的涡街信号处理方法

针对涡街流量计易受管道振动和流场扰动引起噪声干扰的问题,提出了一种基于MUSIC算法的涡街信号处理方法.介绍了涡街流量计的测量原理,建立了噪声环境下的涡街信号模型,并阐述了MUSIC算法的基本原理,在此基础上,分别对多种噪声环境下的涡街信号进行仿真研究.仿真结果表明:所提的涡街信号处理方法能有效地抑制噪声,高精度地分辨频率点,对改善涡街流量计的性能有良好的效果.     

基于阵列扩展的宽带DOA估计算法

导向矢量的频率不一致性不利于宽带信号的DOA估计。为此,首先提出宽带直接空间谱估计算法,但是其限制条件过于苛刻;然后利用宽带信号的时延性质对阵列进行扩展,提出一种新的宽带DOA估计算法,新算法不需要DOA预估计;最后分析了梳妆谱和连续谱两种情形下如何使用新算法的问题。仿真实验结果表明,在信噪比较高的条件下,与传统算法相比,新算法的估计成功率更高,估计误差更小。     

一种基于EEMD的新型谐波误差分析策略

针对电力系统中严重的谐波干扰问题,为提高其运行的安全有效性,去除谐波干扰并提高系统稳定性能成为研究热点。电网中常存在频率强烈波动或者白噪声强烈干扰的现象,虽说三谱线插值的FFT算法(基于Kaiser窗)的抗干扰能力很强,谐波参数估计也可以有较高的精准度,但是远不及使其与平均经验模态的总体水平来分解谐波的检测算法(EEMD)与直线度误差分析相结合。应用直线度误差来分析信号的谐波成分,有机结合了三谱线插值的FFT(基于Kaiser窗的)谐波检测分析法。通过对整体谐波分量的在线监测,不仅能够提高稳态信号的检测精度,还能提高系统的动态性能。本分析策略大限度地提高了计算精度以及系统稳定性。通过仿真分析得知,所述方法可以使系统具有较强的抑制频谱泄露能力,并能够显著降低栅栏效应的发生概率,进而使电力谐波信号的幅值误差、初相位误差和频率误差分别低于0.004 1%、0.002 4%和0.003 9%。     

认知无线电网络中安全的协作频谱检测算法

在认知无线电网络中,当认知用户存在虚假感知信息SSDF时,协作频谱感知的性能会受到巨大影响。为了确保频谱感知的鲁棒性,提出了一种基于信誉度加权序贯频谱检测算法来识别恶意用户并减轻他们造成的影响。该算法通过使用认知用户的近期感知信息计算本地信誉度函数,再综合考虑其信誉值与感知过程中表现的稳定程度以消除恶意用户对主用户的传输效率带来的影响。仿真结果表明,在恶意攻击环境下,新算法优于现有典型协作频谱感知算法。     

Effects of frequency dimming electronic ballast on a high‐pressure mercury thallium iodide discharge

This study focuses on the behavior of a cylindrical metal halide discharge lamp powered by frequency‐controlled electronic ballast. Half‐bridge electronic ballast was designed and achieved.     

面向频谱大数据处理的机器学习方法

随着移动互联网与物联网的迅猛发展,个人无线设备的数 量呈现指数级增长,随之产生的海量频谱数据与日俱增,频谱大数据的存在已成事实。同时 ,频谱赤字也日益严峻。为提高频谱利用率,有效的频谱大数据处理显得十分重要。本文从 无线通信的角度,首先给出了频谱大数据的定义并分析了它的基本特征;然后总结了一些 对于频谱大数据分析与利用颇具前景的机器学习方法,如分布式和并行式学习、极速学习、 核学习、深度学习、强化学习、博弈学习和迁移学习;最后给出了几个开放性话题和研究 趋势。