Uncertainty,belief, and probability1

We introduce a new probabilistic approach to dealing with uncertainty, based on the observation that probability theory does not require that every event be assigned a probability. For a nonmeasurable event (one to which we do not assign a probability), we can talk about only the inner measure and outer measure of the event. In addition to removing the requirement that every event be assigned a probability, our approach circumvents other criticisms of probability-based approaches to uncertainty. For example, the measure of belief in an event turns out to be represented by an interval (defined by the inner and outer measures), rather than by a single number. Further, this approach allows us to assign a belief (inner measure) to an event E without committing to a belief about its negation -E (since the inner measure of an event plus the inner measure of its negation is not necessarily one). Interestingly enough, inner measures induced by probability measures turn out to correspond in a precise sense to Dempster-Shafer belief functions. Hence, in addition to providing promising new conceptual tools for dealing with uncertainty, our approach shows that a key part of the important Dempster-Shafer theory of evidence is firmly rooted in classical probability theory. Cet article présente une nouvelle approche probabiliste en ce qui concerne le traitement de l'incertitude; celle-ci est basée sur l'observation que la théorie des probabilityés n'exige pas qu'une probabilityé soit assignée à chaque événement. Dans le cas d'un événement non mesurable (un événement pour lequel on n'assigne aucune probabilityé), nous ne pouvons discuter que de la mesure intérieure et de la mesure extérieure de l'évenément. En plus d'éliminer la nécessité d'assigner une probabilityéà l'événement, cette nouvelle approche apporte une réponse aux autres critiques des approches à l'incertitude basées sur des probabilityés. Par exemple, la mesure de croyance dans un événement est représentée par un intervalle (défini par la mesure intérieure et extérieure) plutǒt que par un nombre unique. De plus, cette approche nous permet d'assigner une croyance (mesure intérieure) à un événement E sans se compromettre vers une croyance à propos de sa négation -E (puisque la mesure intérieure d'un événement et la mesure intérieure de sa négation ne sont pas nécessairement une seule et unique mesure). II est intéressant de noter que les mesures intérieures qui résultent des mesures de probabilityé correspondent d'une manière précise aux fonctions de croyance de Dempster-Shafer. En plus de constituer un nouvel outil conceptuel prometteur dans le traitement de l'incertitude, cette approche démontre qu'une partie importante de la théorie de l'évidence de Dempster-Shafer est fermement ancrée dans la theorie classique des probabilityés.     

介绍两种画中画插入播出器

介绍画中画插入播出器的工作原理及设计思想，并给出了实际的电原理图。     

自动线性跟踪Butterworth有源滤波器研究

滤波是通信、测试、数据采集和实时控制等领域至关重要的环节。通常的模拟滤波器，由于截止频率固定，在某些宽频率动态范围且有实时性要求的应用场合，往往达不到预期的滤波效果，有时甚至影响整个系统的正常运行。本文从有源滤波器的机理分析入手，提出了一种由单片机参与的滤波系统，它能自动跟踪输入信号频率，线性地选择合适的滤波器截止频率，弥补了原有滤波器的不足。     

红外目标精跟踪方法的研究

本文提出了一种直接把红外前视传感器的输出作为测量值来跟踪红外目标的扩展型卡尔曼滤波跟踪算法。在滤波处理时,设置可变的测量矩阵,其目的在于提高运算速度和抑制噪声干扰。通过具体的实例,对所提跟踪算法的特点和有效性进行了细致的分析。     

地震数据采集系统中频谱均衡滤波器的理论设计

地层的高频吸收衰减效应是导致地震勘探分辨率不高的主要原因，在高分辨率野外地震数据系统中，频谱均衡滤波器所设置的重要部件。文章以频谱均衡滤波器的原理和地层吸收衰减特性为基础，用计算机模拟的方法研究地层吸收衰减使分辨率降低的程度和频谱均衡滤波器对分辨率的补偿效果，给出了较好的频谱均衡滤波器的设计方案。     

一种复合制导导弹的导航滤波器设计

研究了一种中制导段采用雷达修正的遥控制导方式和末制导段采用捷联式自寻的导引头的自导引制导方式的捷联式复合制导的中远程战术导弹的导航滤波问题，考虑到目标的大机动性和模型的非线性，基于最佳估计理论中的广义卡尔曼滤波理论，建立了通用导航滤波方程，仿真计算与仿真结果表明所做设计是合理和有效的。     

声表面波滤波器的匹配电路设计

介绍了通过测试仪器采集的声表面波（SAW）滤波器的Sij(i,j=1,2）参数来优化匹配电路的方法。首先将采集的Sij(i,j=1,2）参数转换为SAW滤波器Yij(i,j=1,2）参数，然后建立新的S12（或S21）参数与匹配电路的依赖关系，通过优化匹配电路元件值，而使滤波器的插入损耗和通带波动满足目标值，该方法的主要优点是考虑整个通带特性，而不是考虑通带内的某一点（如中心频率）。     

合成孔径雷达干扰技术的研究

合成孔径雷达（Synthetic Aperture Radar）是一种新型高辨力成像雷达。其在距离上利用发射的线性调频（LFM）的脉冲压缩信号来获取距离上的高分辨力，在方位上利用接收脉冲之间的多普勒信息获得方位上的高分辨力。本文在简单分析合成孔径雷达工作原理基础上，针对合成孔径雷达的特点与弱点，讨论了几种干扰样式。     

一种遗传-梯度混合算法

本文提出一种函数全局优化的遗传-梯度混合算法。该算法由选择、交叉和诱导变异算子组成。通过对自适应滤波和前向神经网络权值训练两个典型问题的数字仿真，表明该算法是一种快速有效的全局优化算法。