一类非线性系统的自适应控制

针对一类非线性系统，利用微分几何方法中的反馈线性化方法将其等价表示为时变线性系统，再设计一个最小方差自校正调节器，利用参数估计中最成熟的递推最小二乘法对系统参数进行估计，并结合利用最小方差控制策略，实现了对原非线性系统的自适应控制．仿真表明了所提方法的有效性．     

贝叶斯频谱估计算法在测量人工传输线长度中的应用

首先通过公式的推导给出贝叶斯频谱估计的基本思想,然后结合一个人工传输线长度测量的具体实例介绍了如何在实际中运用此估计方法,并与传统方法进行了简单的比较。结果表明,此算法的精确度优于传统算法。     

小样本数据下继电保护装置可靠性的组合威布尔分布评估方法

面对继电保护装置失效数据缺乏的情况,提出了一种基于组合威布尔分布的继电保护装置可靠性评估方法。首先,利用平均秩次法估算二参数威布尔分布的参数值,得到继电保护装置的分布密度函数;其次,选取蒙特卡罗抽样得到的Bootstrap子样作为三参数威布尔分布的样本数据,并采用灰色估计法对继电保护装置可靠寿命进行参数估计。最后,通过实例计算与其他方法进行对比,证明了方法在对小样本数据下的继电保护装置进行可靠性参数估计时精度更高。     

基于线性调频连续波的合作式通信辐射源测距

针对加速运动目标参数估计中,离散多项式变换方法无法进行非整数估计的问题,本文提出基于瑞夫算法的离散多项式变换法和基于Chirp-Z变换的离散多项式变换法2种新型离散多项式变换算法,对加速运动目标速度和加速度进行估计,并对2种算法的估计误差和计算量进行了分析比较。结果表明：2种算法在信噪比-20 dB时均方误差开始接近克拉美罗界。基于瑞夫算法的离散多项式变换法与3次迭代基于Chirp-Z变换的离散多项式变换法均可在较低信噪比下可实现任意频率的有效估计且性能接近,二者均可实现低信噪比下速度、加速度的有效估计,但基于瑞夫算法的离散多项式变换法计算量远小于3次迭代基于Chirp-Z变换的离散多项式变换法。     

系统误差的检测与处理

提出用半参数核估计方法来处理测量中的系统误差问题,即用半参数模型中的非参数分量来表示系统误差分量.从减少参数估计的偏差出发,利用偏残差法并综合最小二乘法,得到了参数和非参数分量的最优估计量.最后,用一个算例说明了此方法在处理系统误差方面的优越性.     

基于有监督Bayesian网络的垃圾邮件过滤

对影响邮件特性的邮件报文格式作了仔细的分析并对垃圾邮件的特征进行了分类归纳,在此基础上构建了一个有监督的Bayesian邮件分类网络。通过对该网络作Bayesian参数估计,实现了判定邮件类别的不确定推理。对不同邮件测试集的在线学习试验结果表明,有监督Bayesian邮件分类网络能够有效地实现垃圾邮件的相对完备特征学习,改善邮件过滤的准确率。     

基于空时频三维稀疏字典的单通道CSA多参数联合估计

针对单射频通道的压缩感知阵列(compressed sensing array, CSA),提出了一种基于稀疏重构的多参数联合估计方法．首先利用目标在空域和频域上的稀疏特性,以及线性调频(LFM)信号的自相关特性,构建了一种空-时-频三维稀疏字典用于回波信号的稀疏表达;然后基于压缩感知理论对回波信号的投影向量进行稀疏重构,能够直接估计出目标的速度、角度以及距离信息．仿真结果验证了多目标场景下本文所提出的多参数联合估计算法的有效性．     

模糊自适应Kalman滤波器在无人机导航中的应用

针对具有不确定动态模型参数的GPS／INS组合导航系统,基于传统Kalman滤波器之上,介绍了一种模糊自适应Kalman滤波器,讨论了GPS／INS组合系统中模型参数不确定性的问题,给出了一种利用模糊自适应滤波方法进行数据融合的无人机定位误差修正方法;仿真结果表明,模糊自适应卡尔曼滤波器对非线性GPS／INS组合系统是很有效的,提高了定位精度。     

雷达目标散射中心参数估计的极限性能分析

本文基于衰减指数和(DE)模型的克拉美-罗限(CRB)研究散射中心参数估计的极限性能.通过对单分量和双分量DE模型CRB矩阵的化简,获得了散射中心位置、强度、类型参数估计精度与雷达参数、目标参数的关系式,并导出了鉴别散射中心类型的信噪比门限和宽带雷达的极限分辨力.本文的结果均以解析式给出,揭示了各参数间相互影响的规律.仿真验证了结论的有效性.     

A Censored Nonparametric Software Reliability Model

1 IntroductionLet the initial number of defects of a software systemunder testing beN, and theith defect is found atTi, and finally stop testingwhen thenth defectis found atTn. The basic function of the software relia-bility model is estimating or predicting software reliability from the data set of survival time (the timeto be found in testing){Ti}=T1, T2,…, Tn. Up till now, a lot of parametric models have been de-veloped. Generally speaking, these models assume that the failure data come…