基于共轭次梯度法的非理想正交三轴磁传感器的修正

磁测量中三轴磁传感器的三轴不可能绝对正交，这使得高分辨率测量受到限制。本文提出了一种可以不考虑实时性的对非正交参数修正的方法，构造了目标函数，并根据传统的共轭梯度法构造了共轭次梯度法用于寻找最优非正交参数，仿真结果表明这种方法可以稳定收敛并可以达到较高的精度。     

基于小波包变换的Robust-M检测器

利用小波包分析将信号变换到其小波包系数域上，通过研究平稳随机噪声在各子空间上小波包系数的统计特性，结合Robust检测理论的相关结论，对非高斯噪声下的信号检测问题建立了统一的框架，并提出了一种新的检测算法。仿真实验表明，此算法不仅具有良好的鲁棒性和广泛的适用性，而且能够更为充分地利用噪声统计分布信息，从而有效地提高检测效率。     

基于中性进化、自组织和自然选择的进化算法

生物的进化同时在基因层、个体层和种群层进行。基因层上的进化是随机、均匀、无方向性的；个体层的随机行为通过自组织作用形成种群的复杂行为；种群的进化则是一个以环境为参考的自然选择过程。基于此，本文提出了一种基于中性进化，自组织和自然选择的进化算法．该算法同时考虑基因层、个体层和种群层上的进化过程以及三个层次间的相互作用和映射关系。提出了个体能力评估函数f(xi)的概念，分析了个体能力评估函数f(xi)与种群适应度函数fit(X)间的关系。时该算法的性能进行了仿真研究．仿真结果表明该算法相对于传统的进化算法具有更好的全局收敛性，更快的收敛速度和更强的参数鲁棒性。     

基于点电荷模型的舰船静电场反演算法研究

针对舰船静电场反演问题,提出一种基于点电荷模型的静电场反演方法。在利用舰船静电场先验信息对场源的粗略位置进行设定的基础上,利用泰勒展开式的收敛半径对场源的个数和位置进行计算,结合3层介质下点电荷电场的计算公式,建立等效场源系统的线性方程组,并通过对线性方程组的求解达到计算等效点电荷强度和舰船偶极矩的目的,利用实测数据对所提方法的有效性进行检验。研究结果表明：该算法由水深8 m的测量数据向水深22.5 m进行反演时,换算精度较高,误差值小于4%.     

基于小波包变换的非高斯噪声信号结构分析

该文利用小波包变换的时频局部分析能力,研究了非高斯分布平稳随机噪声的统计特性,揭示了 非高斯噪声信号的信号结构。在此基础上,将经典最优检测器的结论推广到背景噪声为非高斯分布的情况, 提出了一种基于小波包变换的非高斯噪声下的信号检测方法。仿真实验验证了该方法是正确的。     

舰船水压场信号的差分与功率谱估计检测

针对舰船水压信号的常规功率谱检测方法中很难解决的潮汐问题,提出了采用差分预处理的方法。根据风浪水压场和潮汐水压场的频谱特性对海浪水压场进行了近似建模,通过合适的选择差分时间,使差分不影响舰船信号而压制海浪中的潮汐信号,并对差分后信号的统计特性进行了分析。对差分信号所进行的功率谱分析表明潮汐成分得到了有效去除。最后通过实验验证了该方法在舰船目标检测中的可靠性以及较高的灵敏性,在一定程度上解决了舰船水压目标检测中灵敏性和可靠性之间的矛盾。     

基于小波模极大值能量的船舶轴频电场检测

为了有效地从海洋环境电场背景中检测微弱的船舶轴频电场信号,对轴频信号小波模极大值的尺度分布特性进行了分析,在得出轴频观测信号中噪声模极大值的幅度和分布稠度均随尺度增大而减小的结论的基础上,通过提取最大分解尺度的模极大值能量作为特征值,利用滑动检测方法对目标进行检测,并且避免了小波模极大值的重构过程,因而计算量小,检测速度较快.最后,分别使用实测数据和仿真数据对该算法进行了验证,结果表明此算法在低信噪比情况下具有较好的检测效果,当SNR为-10.8dB时仍然具有79%的检测率.     

并矢格林函数法求解海水中电偶极子电场

海水中电偶极子的电磁场是目前水下通讯和水中目标探测方面的研究重点。利用并矢格林函数法对海水中电偶极子产生的电场进行求解，得到的解的形式简洁，且易于求解任意电流分布所产生的场。     

卷积码传递函数的求解

在分析卷积码状态图的基础上，得到了一个矩阵方程。由该方程可以求得卷积码的传递函数，进而分析它的距离性，最后给出了计算步骤和例子。     

一种基于扩展交替投影神经网络的弱信号分离方法研究

Aiming at a kind of specific situation encountered in practice, the paper proposes a weak-signal separation algorithm based on Extended Alternating Projection Neural Networks (EAPNN) by combining the time-domain features of the signal with the frequency-domain features of the signal and taking advantage of conclusions on EAPNN. Simulation results demonstrate that the algorithm is effective and that the EAPNN-based signal separationalgorithm is better than the RLS-based signal separation algorithm. Although the EAPNN-based algorithm isdesigned for the specific situation, it is also applicable to the other situations and a basic frame of the EAPNN-basedsignal separation is presented. Owing to adopting neural network structure, the EAPNN-based algorithm is prone toparallel computation and VLSI design, consequently can satisfy real-time processing needs.