一、测量系统的一般组成 信 号——反映物体运动状态的物理量，含有物体的有关信息。 以作为信号的物理量命名，表明信号的特性，如电信号、光信号、力信号、磁信号等等

为了提高DyTrust模型信任评价的准确度,解决信任模型的粒度比较粗糙以及节点的个体经验对信任评价带来影响的问题,在DyTrust模型的基础上,通过对节点所提供的服务进行细化和引入经验因子的方法,提出了一种改进的信任评价算法.与DyTrust模型的比较和分析表明,改进后的模型精化了信任算法的粒度,提高了信任评价的准确度,体现了节点的个性化特性,在反馈可信度的算法方面有较大的改善,同时该反馈可信度算法具有较好的可扩展性

本文把旋转机械故障产生的周期性激励—周期性特征信号分解成“波形”与“特征脉冲序列”的卷积,提出了有关周期性特征信号幅值调制、相位调制、波形畸变以及背景噪声四种类型噪声的概念。在此基础上,应用解卷积理论,对实倒谱分析识别周期性特征信号问题进行了研究。并在计算机上讨论了各种类型噪声对实倒谱分析的影响。研究表明,周期性特征信号在实倒谱上将形成依次递减的倒谐频结构,其大小仅与特征信号本身的稳定性有关,与信号的大小、形状无关,且最大值不超过1。分析结论较好地解释了文献以及作者的应用实例

通过对螺旋孔型的钢球斜轧轧辊的结构分析,在ARX开发环境下,先利用MDT的API开发工具,从零件的三维模型中提取零件的轮廓信息,确定零件的类型和基本形状、加工特征和基本尺寸;再根据对应的二维工程图提取具体的工艺信息,最后根据二维图纸和三维模型的对应关系,对信息进行分类整理和自动识别.在此基础上开发了一个斜轧轧辊的零件信息系统,实现了在CAD/CAPP/CAM集成环境下,从CAD系统中直接提取零件信息,并转化为CAPP系统的工艺信息.该方法也可以自动提取和识别一般的旋转类零件信息

短时Fourier变换(STFT)在分析非平稳信号的过程中,受调制系数的影响,时频分布图中的能量扩散至主导频率的周围,降低了时频分布的可读性.运用STFT分析瞬时频率缓变或恒定的信号时,调制系数的影响较小甚至可以忽略不计,而得到能量聚集程度很高的时频分布.根据这一特点,提出了迭代广义短时Fourier变换(IG-STFT),该方法有效改善了时频图的可读性.首先运用迭代广义解调分离出频率恒定的单分量成分,然后运用STFT分析信号的时频分布,最后依据STFT的分析结果和相位函数得到原信号的时频分布.通过行星齿轮箱仿真信号和实验信号分析,验证了该方法在分析非平稳信号中的有效性,准确诊断了齿轮故障

连续系统:各变量均为时间t的连续函数。 离散系统:系统中某一处或几处的信号是脉冲序列或数字编 码。 离散信号:仅在离散的瞬时上变化,是时间的离散函数,呈 现的是脉冲信号或数码信号。 通常把系统中的离散信号是脉冲序列形成的离散系统,称为 采样控制系统或脉冲控制系统;而把数字序列形成的离散系统, 称为采样控制系统或计算机控制系统。 散控制系统分为:采样控制系统:脉冲序列信号; 数字控制系统:数字序列信号

Ⅰ、教学目的：通过对理想信念与大学生成才的分析，帮助大学生树立科学的理想信念，认清实现理想信念的长期性、艰巨性和曲折性。Ⅱ、主要内容：1、理想信念与大学生成才的关系2、怎样树立科学的理想信念3、实现理想信念的长期性、艰巨性和曲折性4、怎样在实践中化理想为现实

提出基于管道流体信号的自振射流特性检测方法, 将压力传感器从高压罐内移至高压罐外, 布置在高压罐外的前端管路上, 从而避开高围压环境影响; 通过双压力传感器拾取管道流体压力脉动信号, 并运用信号处理技术有效抑制干扰噪声, 提高有用信号强度, 准确获取射流的压力脉动信息.试验表明, 管道流体压力信号的频谱特征与喷嘴腔内检测法具有一致性, 且与理论计算较为吻合, 充分表征了射流的压力振荡特性; 其声功率谱与高压罐内水听器检测结果相一致, 较好地表述了射流的空化作用特性.由此认为基于管道流体信号的检测法用于自振射流特性的检测是完全可行的, 具有先进性, 为高围压下自振射流的研究提供了新手段

受探测环境制约，隧道超前地质预报过程中探地雷达反射波往往具有“弱信号，强干扰”的特征，给数据处理和解译带来极大的困难。将剪切变换（shearlet变换，ST）引入探地雷达信号处理，根据有效信号和干扰信号在剪切域中不同尺度、不同方向上的能量差异，提出一种基于自适应阀值的随机干扰去除方法，并通过正演模拟数据验证了该方法在随机干扰去除上的优势；在此基础上针对隧道超前地质预报中常见的能量接近、频率异常干扰信号，以实际数据为例说明小波变换（WT）对其去除效果；从而进一步提出小波变换与剪切变换联合干扰压制方法，即首先使用小波变换对异常频率干扰进行分离，然后采用基于自适应阀值的剪切变换对随机干扰进行压制。现场溶洞探测案例应用效果表明，本文所提出的方法能在去除干扰的同时很好地保留有效信号，根据处理后的波形堆积图可以很好地凸显地质异常区域，从而提高探地雷达资料解译精度

针对提高Wi-Fi指纹室内定位技术性能，提出了一种基于卷积神经网络（Convolutional neural networks，CNN）的信道状态信息（Channel state information，CSI）指纹室内定位方法。在离线阶段联合定位环境参考点的幅度差和相位差信息，利用CNN进行训练，保存训练后的CNN网络模型作为指纹；在线阶段，针对不同实验场景，对测试数据的幅度差信息和相位差信息进行加权处理，引入改进的基于概率的指纹匹配算法，利用待定位点的CSI信息并通过CNN网络模型预测待定位点的坐标。此外，为增强算法普适性，针对复杂室内场景，提出了双节点定位方案来提高定位精度。在廊厅和实验室室内两种不同定位场景进行了实验，信息联合定位算法分别获得了24.7 cm和48.1 cm的平均定位误差，验证了基于CNN的CSI幅度差和相位差联合定位算法的有效性