基于射频模块MAX2740设计的高动态GPS接收机前端

基于MAX2740射频接收前端提供了从天线到数字化输入之间完备的GPS接收方案，信号通道包括了低噪声放大器（LNA）、两级下变频器、可变增益／固定增益放大器、压控振荡器（VCO）及频率合成器等。     

基于多元时间序列融合的飞行动作识别方法

针对飞行动作数据随机性强与长度不一致的问题,提出通过减小动态时间规整(DTW)算法的搜索空间,并定义不同特征参数贡献度的概念,实现对飞行数据的多元时间序列融合,从而完成对战术机动动作的识别。通过引入预分类和细分类结合的方式,对动作数据进行预处理,然后根据改进的动态时间规整(WDTW)算法对待测数据进行识别。仿真实验表明,相比传统DTW算法,WDTW算法通过降低算法复杂度,识别计算时间变化明显;对核密度与精准度系数的分析表明识别准确率亦有所提高。实验结果验证了所提方法的准确性。     

天线控制器的设计

针对目前民用通信中,部分大型天线角度的获取仍采用目测天线角度,手控电机控制天线转动的控制方式,设计一种基于嵌入式技术的天线控制器,能够实现达到角度的实时精确获取及目标角度的自动旋转控制,配合相应的上位机软件,能够实时地图形化显示当前所控制天线的状态和角度并加以控制,在实际应用中具有积极的意义。     

基于MATLAB的异步电动机线性化控制系统的仿真

从异步电动机在同步旋转坐标系下的状态方程出发，在一定的条件下，对其系数矩阵简化．推出异步电动机的线性化控制模型．并基于该模型得出异步电动机的线性化控制系统．以给定电机为例，对该模型的有效性、响应用MATLAB进行仿真分析．验证的结果说明上述模型具有实用价值．     

基于域分解法的大规模有限元数值计算

描述了在微机并行计算机群上用域分解法对大规模工程问题进行有限元并行分析的方法．为了节省内存和计算时间，开发的系统使用了动态载荷配平和等级分布式数据管理技术．本系统对120万自由度以上的切口拉伸模型顺利地应用并进行了有效的静态弹性应力分析．     

论述GPS测高的限制性与可行性

分析了GPS测高的制约因素,并论述了GPS测高的可行性。     

带有回报计划的动态客户关系管理模型及实验应用分析

在客户最大化效用及公司最大化CLV的动态环境下。对所提的带有回报计划的动态客户关系管理模型用于某超市的客户数据库中，发现模型的结果对这类客户是适用的。并给出了不同的客户状态空间对应的有效营销组合策略。结果表明：合适的回报计划可以促进客户的购买、提高公司的利润及缓解价格竞争。回报极限应该比客户的平均购买水平偏高，回报率应该与回报极限的改变方向一致。计划的时间范围应定在一年左右比较合适。对于累积购买水平较高的客户一般不邮寄商品信息。在回报计划的初期与末期不用打折。中期对那些购买次数很少的客户可以实行相应的降价策略。     

亚像元动态成像技术中系统调制传递函数的数值分析

亚像元动态成像技术是目前实现遥感器小型化非常有效的新方法,因而研究亚像元动态成像系统的调制传递函数MTF显得非常必要和重要.介绍了亚像元动态成像的基本原理及成像过程,指出了光程差对亚像元动态成像系统MTF的影响.对亚像元动态成像系统的MTF进行了数值分析,并指出了亚像元动态成像系统的成像质量及空间分辨率与一般成像系统相比较的优点.     

剖析博彩弹子机的赢钱原理

介绍了博彩弹子机 ,运用数学建模法剖析了它的赢钱原理 ,强调了一般博彩业主永远是赢家的道理     

Local Prediction of Chaotic Time Series Based on Support Vector Machine

Based on phase space delay-coordinate reconstruction of a chaotic dynamics system, we propose a local prediction of chaotic time series using a support vector machine （SVM） to overcome the shortcomings of traditional local prediction methods. The simulation results show that the performance of this proposed predictor for making onestep and multi-step prediction is superior to that of the traditional local linear prediction method and global SVM method. In addition, it is significant that its prediction performance is insensitive to the selection of embedding dimension and the number of nearest neighbours, so the satisfying results can be achieved even if we do not know the optimal embedding dimension and how to select the number of nearest neighbours.