智能温度测量系统设计

以AT89C52单片机作为微控制器，设计了一个智能温度测量系统。该系统通过DS18B20温度传感器实现环境温度的采集和A/D转换，模数转化后的电信号送入AT89C52单片机，再通过单片机将其送入LCD1602数码管进行显示。通过实验结果可以看出，相比较传统的温度采集方法，该系统能够快速准确地检测温度，并且检测精度可以达到0.1 ；同时，该系统具有过温点设定值调节及温度上下限蜂鸣提示的优点。     

0Cr17Ni4Cu4Nb传感器断裂原因分析

某力学传感器在出厂检验流程中发生断裂失效,为了确定失效原因,防止此类失效事件再次发生,实验对该传感器的力学性能、金相组织和断口形貌进行了分析,确定了断裂原因。结果表明,传感器的失效模式为氢致延迟开裂,材料中氢含量偏高和开裂位置机加工质量较差是导致传感器发生氢致开裂的主要原因。结合失效原因,提出了改进措施。     

A Real Time Self-Tuning Motion Controller for Mobile Robot Systems

This paper proposes an intelligent controller for motion control of robotic systems to obtain high precision tracking without the need for a real-time trial and error method. In addition, a new self-tuning algorithm has been developed based on both the ant colony algorithm and a fuzzy system for real-time tuning of controller parameters. Simulations and experiments using a real robot have been addressed to demonstrate the success of the proposed controller and validate the theoretical analysis. Obtained results confirm that the proposed controller ensures robust performance in the presence of disturbances and parametric uncertainties without the need for adjustment of control law parameters by a trial and error method.      

基于压缩感知的移动群智感知任务分发机制

针对移动群智感知任务中区域全覆盖感知成本过高问题，提出基于压缩感知的移动群智感知任务分发（CS-TD）机制。首先提出了感知任务整体成本模型，该模型综合考虑了参与感知任务的节点个数、节点的感知次数与数据上传次数；然后基于成本模型，分析感知节点的日常移动轨迹，结合压缩感知数据采集技术，提出了一种基于感知节点轨迹的压缩感知采样方法；其次通过区域全覆盖最少节点（RCLN）算法，选出最佳节点集合，对节点进行任务分配，利用压缩感知技术恢复节点数据；最后在多次感知任务的迭代中对感知节点的可信程度进行评定，保证任务方案的最优性。对CS-TD分发模型进行多次实验验证，与已有的CrowdTasker算法相比，CS-TD算法平均成本降低了30%以上。CS-TD模型能有效降低感知节点的消耗，能在全覆盖感知任务中降低整体感知成本。     

基于联合节点行为策略的WSN覆盖控制算法

针对无线传感器网络在对移动目标节点覆盖过程中出现网络能量快速消耗问题，提出了一种基于联合节点行为策略的覆盖算法。根据网络模型建立传感器节点与目标节点从属关系，确定覆盖关联模型；利用概率理论求解邻居节点冗余覆盖度，确定最少传感器节点数量；给出了邻居节点覆盖期望值的求解方法；仿真实验表明，该算法与其他算法在网络覆盖率和网络生存周期两个性能指标上均提升了12.39%和15.01%，从而验证了算法的有效性。     

基于时间延迟的多类型维修与经济生产批量联合优化研究

针对目前未能较好的综合考虑多维修类型与经济生产批量联合优化的问题，首先考虑多类型维修关系，基于时间延迟理论求出故障和缺陷次数的表达式；其次，在此基础上，综合考虑生产费用和维修费用的基础上，构建了多类型维修和经济生产批量联合优化模型，以单位时间内总费用最小为优化目标，获得最优检查间隔期和经济生产批量；最后，通过算例分析验证了模型的有效性，说明了第一类缺陷检查次数的多少对费用和经济生产批量影响不大。     

Distributed two‐stage state estimation with event‐triggered strategy for multirate sensor networks

This paper investigates the state estimation issue for a class of wireless sensor networks (WSNs) with the consideration of limited energy resources. First, a multirate estimation model is established, and then, a new event‐triggered two‐stage information fusion algorithm is developed based on the optimal fusion criterion weighted by matrices. Compared with the existing methods, the presented fusion algorithm can significantly reduce the communication cost in WSNs and save energy resources of sensors efficiently. Furthermore, by presetting a desired containment probability over the interval [0,1] with the developed event‐triggered mechanism, one can obtain a suitable compromise between the communication cost and the estimation accuracy. Finally, a numerical simulation for the WSN tracking system is given to demonstrate the effectiveness of the proposed method.     

An enhanced state estimation for linear parabolic PDE systems with mobile sensors

This paper studies an enhanced state estimation problem of distributed parameter processes modeled by a linear parabolic partial differential equation using mobile sensors. The proposed estimation scheme contains a state estimator and the guidance of mobile sensors, where the spatial domain is decomposed into multiple subdomains according to the number of sensors and each sensor is capable of moving within the respective subdomain. The state estimator is desired to make the state estimation error system exponentially stable while providing an performance bound. The mobile sensor guidance is used to enhance the transient performance of the error system. By the Lyapunov direct technique, an integrated design of state estimator and mobile sensor guidance laws is developed in the form of bilinear matrix inequalities (BMIs) to meet the desired design objectives. Moreover, to make the performance bound as small as possible, a suboptimal enhanced state estimation problem is formulated as a BMI optimization one, which can be solved via an iterative linear matrix inequality algorithm. Finally, numerical simulations are given to show the effectiveness of the proposed method.     

一种基于雷达图表示的数值型数据的CNN分类方法

卷积神经网络（convolutional neural networks， CNN）是一种广泛用于分析视觉图像的分类方法.由于数值数据存在着非线性、耦合性等复杂的空间关系，因此基于CNN的数值型数据的研究较少.本文的目的是找到一种可行的方法，将CNN的应用领域扩展到数值数据.于是提出了一种基于雷达图表示的数值型数据的CNN分类方法（Radar-CNN）.该算法首先将数值数据表示成雷达图形式，然后将其输入CNN中构建分类模型.为了进一步研究特征尺度和序列对性能的影响，提出了两种改进算法Rank Radar-CNN和SFS Radar-CNN.为了验证所提算法的有效性，引入TE化工过程数据集进行实验测试并比较，实验结果表明Radar-CNN及其改进算法具有优异的性能.     

基于深度残差学习的自动驾驶道路场景理解

随着道路场景理解技术的快速发展，自主驾驶领域取得了长足的进步。在相关任务中，包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此，提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面，编码器网络结构使用不同层次的残差网络来提取高维中的抽象特征，这些特征在接下来的三个任务中共享使用；另一方面，解码器网络结构采用一种子任务的并行计算机制，即道路分割、车辆检测和道路分类任务同时执行。此外，全卷积神经网络用于对提取的图像特征进行上采样以解决道路分割问题。最终，实验结果表明在保证高精度的前提下处理帧率可达到15 fps以上。