北斗星历解析及实时卫星位置解算实现

利用 C 语言编程进行北斗卫星星历数据的实时读取，更新结构体的卫星轨道参数， 从而实现北斗卫星位置的解算，并与武汉大学数据中心提供的北斗精密星历作比较，对解算的卫星位置结果进行评估，最大误差不超过 3.5 米，满足实际应用需要。     

基于危险场的关节机器人实时避障控制

改进危险场计算公式,求得机器人工作空间动态危险场的积分解析解。计算中考虑机器人与障碍物之间的相对速度,建立障碍物连体坐标系,简化计算过程。针对关节机器人提出一种基于速度控制的避障算法,该方法将危险场得到的期望规避角速度反馈至基于转置雅可比矩阵逆运动学算法,并通过危险场的值对控制策略的标志位进行修改,使得机械臂具有任务终止与恢复能力。最后,通过数值仿真及与经典危险场方法进行对比表明了提出方法的有效性。     

基于OMNEST的以太网传输丢包问题研究

针对实验过程中以太网传输的丢包问题,使用OMNEST进行仿真建模,利用精确的系统描述,复现所出现的问题,进行丢包和端到端时延的研究。通过仿真分析定位问题,发现ARPCache中目的地址的超时或定期清空导致故障发生。基于此问题提出解决方案,为解决问题提供支持。     

俯仰角速度传感器信号重构方法研究

为了提高关键传感器系统的容错能力,避免增加引入硬件设备的额外成本、重量与维护负担,提出了俯仰角速度传感器的信号重构方法。信号重构采用了自适应当前统计模型的卡尔曼滤波算法,改进模型能够更准确地描述飞机实际的角运动情况,提高解析信号的精度。通过不同飞行状态下的飞机角运动仿真,将所提方法与典型的信号重构方法进行对比,验证了所提方法的有效性和优越性。     

积分中值屈服准则解析厚板轧制椭圆速度场

为解决非线性Mises比塑性功率积分困难以及由此导致的轧制功率解析式难以获得的问题,本文通过建立并利用线性比塑性功率表达式对提出的椭圆速度场进行能量分析,得到了轧制力能参数的解析解.文中通过对变角度屈服函数求积分中值,构建了一个新的屈服准则,它是主应力分量的线性组合,在π平面上的轨迹是逼近Mises圆的等边非等角的十二边形,其基于Lode参数表达式的理论结果也与实验数据吻合较好.同时,根据厚板轧制时金属流动速度从入口到出口逐渐增大的特点,提出了水平速度分量满足椭圆方程的速度场,该速度场满足运动许可条件.通过相应的轧制能量分析,获得了基于线性屈服准则的内部变形功率以及基于应变矢量内积法上的摩擦功率与剪切功率.在此之上,通过泛函的极值变分导出了轧制力矩、轧制力以及应力状态系数的解析解,并与现场实测数据进行了对比,结果表明利用本文提出的屈服准则与速度场所建立的轧制力矩与轧制力模型与实测值吻合较好,其中轧制力误差小于5.3%,轧制力矩误差在6%左右.     

基于桥连接的词典学习方法的语义解析

现阶段的语义解析方法大部分都基于组合语义,这类方法的核心就是词典。词典是词汇的集合,词汇定义了自然语言句子中词语到知识库本体中谓词的映射。语义解析一直面临着词典中词汇覆盖度不够的问题。针对此问题,该文在现有工作的基础上,提出了基于桥连接的词典学习方法,该方法能够在训练中自动引入新的词汇并加以学习,为了进一步提高新学习到的词汇的准确度,该文设计了新的词语—二元谓词的特征模板,并使用基于投票机制的核心词典获取方法。该文在两个公开数据集(WebQuestions和Free917)上进行了对比实验,实验结果表明,该文方法能够学习到新的词汇,提高词汇的覆盖度,进而提升语义解析系统的性能,特别是召回率。     

赤红球菌组氨酸激酶的融合表达和功能分析

对赤红球菌的组氨酸激酶基因进行密码子优化，将优化后的组氨酸激酶基因（rhks）构建重组表达质粒pGEX-4T-2-rhks。将此质粒导入到大肠杆菌BL21（DE3）中进行异源表达。在25 ℃和1 mmol/L异丙基-β-D-硫代吡喃半乳糖苷诱导条件下，组氨酸激酶融合蛋白（GST-RHK）获得成功表达，并具有催化活性。经谷胱甘肽琼脂糖亲和层析纯化，获得电泳纯的GST-RHK，其中纯化倍数为3.1，得率为19.5%。该蛋白大小约为72.75 kDa，Km、Vmax和Kcat值分别为20.92 μmol/L、0.17 μmol/（L·min）和1.4 min－1。野生型赤红球菌、组氨酸激酶基因增强株sdrhkE和组氨酸激酶基因敲减株sdrhkD在分别含有苯酚、甲苯、氯苯、异辛烷4 种有机溶剂的培养基中培养，菌株sdrhkD的生长情况都优于野生型赤红球菌，菌株sdrhkE的生长情况都低于野生型赤红球菌。本研究为进一步揭示赤红球菌SD3中组氨酸激酶涉及的信号转导途径与赤红球菌有机溶剂耐受性的关联机制提供一定参考依据。     

基于特征融合的中文简历解析方法研究

针对基于规则和统计的传统中文简历解析方法效率低、成本高、泛化能力差的缺点，提出一种基于特征融合的中文简历解析方法，即级联Word2Vec生成的词向量和用BLSTM（Bidirectional Long Short-Term Memory）建模字序列生成的词向量，然后再结合BLSTM和CRF（Conditional Random Fields）对中文简历进行解析（BLSTM-CRF）。为了提高中文简历解析的效率，级联包含字序列信息的词向量和用Word2Vec生成的词向量，融合成一个新的词向量表示；再由BLSTM强大的学习能力融合词的上下文信息，输出所有可能标签序列的分值给CRF层；再由CRF引入标签之间约束关系求解最优序列。利用梯度下降算法训练神经网络，使用预先训练的词向量和Dropout优化神经网络，最终完成对中文简历的解析工作。实验结果表明，所提的特征融合方法优于传统的简历解析方法。