基于二值栅格数据的边界矢量化和面信息生成的一种实现方法

分别针对简单行列结构和游程编码形式表示的栅格数据,研究了面的矢量化方法。在边界矢量化方面,提出一套确定初始追踪段、确定后续追踪点走向、避免边界线交叉、保持边界线光滑的有效方法;通过计算闭合边界曲线之间的嵌套关系,确定复杂面的外边界与内边界构成信息。该方法可应用于栅格型地理空间分析和遥感图像专题要素类型的边界提取等方面,具有较高的计算效率且易于实现。     

矩阵变换的若干应用

从矩阵初等变换的定义以及性质出发,首先利用多项式最大公因式的某些性质建立了一种利用矩阵的初等行变换求解多项式最大公因式的方法,然后论述了其在判断向量组的线性相关性、向量组的等价,求子空间的交与和的基与维数方面的应用。     

自适应模糊跟踪系统的设计

提出一类自适应模糊控制器,选择系统的误差向量,作为模糊控制器的输入变量,构成了一种自适应模糊跟踪系统的设计方法,该方法利用李雅普诺夫稳定性理论,证明了其可行性,仿真结果验证了其有效性．     

谐波干扰下的异步电机故障诊断研究

推导出在高次谐波干扰下,PARK矢量模平方函数的数学表达式,消除直接进行定子电流分析时基波频率对特征频率的影响。但是新增的频率成分很容易被直流分量、2f分量和4f分量淹没,对PARK矢量模平方函数进行傅立叶变换效果很差。采用多分辨率小波分析,对其各层系数进行分解与重构,其中第7层高频系数和第8层高频系数重构后的波形在发生故障时幅值明显大于无故障时的波形,对电机故障有很高的辨识度,是一种有效的方法。     

基于谐波小波包和支持向量机的声发射源识别

为了解决直升机动部件疲劳损伤类型识别问题,提出了一种基于谐波小波包特征提取和层次支持向量多分类器的声发射源类型识别方法.声发射信号经过4层谐波小波包分解后,提取各个频段的能量特征用于声发射源类型识别,克服了传统小波包分析能量泄露、频带选取不灵活、不同层频率分辨率不同的缺点.首先,利用已知声发射源类型的试验数据训练层次支...     

一阶向量微分方程的微分不等式技巧

利用上、下解方法,研究一阶向量微分方程初值的解的存在性与解的估计问题;同时,将所得结果应用于n阶微分方程的初值问题,获得了n阶微分方程的初值问题解的存在性及估计．     

CDMA2000信号的实时捕获及分析

随着第三代移动通信(3G)技术的发展,如何开设3G实验项目是本课程面临的一大问题。3G设备相对十分昂贵,又存在WCDMA、CDMA2000、TD-SCDMA 3种不同的标准,全面开设实验存在不少困难。利用已购买的大型仪器完成对CDMA2000信号的实时捕获及分析,给出了实验步骤、指标测试与相关分析。     

Compensation of dead-time effect of speed sensorless vector control system

The key of speed sensorless vector control system lies in the accurate orientation of magnetic field. In some field-oriented algorithms, the integrator of observers and the dead-time effect bring in system errors during the estimation of field position. In this paper, a saturated feedback integrator is used, and the dead-time effect is compen-sated by current positive feedback. Experiments were carried out on the hardware platform of MCK2407, with chip TMS320LF2407 from TI Company. The results show that the proposed method is simple and effective, and the accuracy of field position is improved.     

计算矢量曲线积分的常见错误分析

指出应用矢量的曲线积分计算电势时易出现的错误，分析错误原因，并给出正确的解法．     

变尺度混沌优化支持向量机模型选择

1 Introduction Support vector machine (SVM) is a powerful ma-chine learning tool capable of representing non-linearrelationships and producing models that generalizeswell to unseen data .SVMhave been applied widelyinmany fields[1]such as hand-written character recogni-tion ,text categorization,computer vision,speechrec-ognition and gene classification,etc. Despite this , using an SVM requires a certainamount of model selection,i.e.,selection of the ac-tual kernel and its parameters .In rec…