水下移动无线传感器网络研究综述

水下移动传感器网络是水下机器人与水下传感器网络的结合,解决了传统水下监控网络存在的无法自动实现节点投放与回收,容易存在监测盲区以及不能动态组网等问题.按照自下而上的体系结构,对水下移动传感器网络的研究内容及发展方向进行了归纳阐述,包括水下节点设计,节点互联和动态组网,即点,线,面的层次结构,着重分析了节点移动特性对水下传感器网络的影响及相应的解决方法.虽然水下移动传感器网络的研究面临很多挑战,但它必将具有广阔的应用前景.

     

基于蓝牙技术的传感器网络自组织模型研究

针对数字设备和计算机外设间的电缆连线不便于携带、不便于安置的问题,提出了一种运用蓝牙技术替代电缆连线进行无线组网的方案,分析了蓝牙无线组网的硬件结构,以及适合自组织网络功能的上、下住机软件结构,并分析了蓝牙组网中常用的树形网络拓扑结构。实验结果表明该方案硬件体积小,能耗低,抗干扰能力较强,具有良好的应用前景。     

基于MSP430的磁阻罗盘自差自动校正设计

由于磁航向测量系统应用领域日趋拓宽,数字磁罗盘的航向精度亟待提高。简要介绍了由磁阻罗盘、角度传感器和单片机组成的数字磁罗经系统的软硬件组成及工作原理。探讨了使用八角度法进行误差补偿的可行性。通过实验验证能准确自动消除自差实现导航数据的精确、实时、高清晰的显示。     

“时光机”卷影副本,回到过去治后悔

随着生活节奏的不断加快,以前每个人可能每天处理10件事情,现在可能就需要翻倍了。人的精力是有限的,事儿多了就容易犯错。对于办公族来说,基本上每天都要面对各种文档的处理加工,犯错、误删、病毒破坏等情况时常发生,这时就需要让时光倒流,找回过去正确的版本。这听起来不可思议,其实并不难,尤其是在Vista和Windows7中,卷影副本这个时光机就能带你回到过去。     

一类时滞系统的自校正模糊Smith控制器设计

Smith预估控制是解决时滞系统控制的有效方法,但其对系统模型参数的精确要求限制了其应用.而模糊控制本质上属于PD控制,无法消除系统的稳态误差.文中设计了一种自校正模糊Smith 控制器,结合模糊控制、Smith预估器及自校正控制的优点,既保持了模糊控制鲁棒性较强的特点,又消除了系统的稳态误差,且改善了系统的动态性能.仿真结果表明了自校正模糊控制器的有效性和优越性.     

神经网络控制应用研究

主要对神经网络控制进行了综述.首先介绍了神经网络的发展历程和结构,讨论了几种常见的神经网络控制方案,简要说明了它们的原理, 并论述了神经网络控制在工业中的应用.最后总结了神经网络的特点及存在的相关问题.     

基于局部自相似性的遥感图像港口舰船检测

针对高分辨率可见光图像中靠岸舰船的灰度特征和纹理特征与港口设施极为相似而难以自动检测的问题,提出了一种利用邻域自相似局部特征提取算子提取港口舰船局部显著性特征,经过特征空间分析,并利用先验知识信息,自动检测港口舰船的算法和处理流程。实验结果表明,该处理方法具有较好的可操作性和鲁棒性,能够快速准确地检测出港口舰船目标。     

抄纸过程水分定量自抗扰控制仿真研究

针对抄纸过程水分定量系统控制中的强耦合、时滞、不确定等特点,在常规PID控制的基础上提出了自抗扰控制这种新的法,方法的特点是可以动态补偿系统模型扰动和外扰,即克服了常规PID控制中存在的快速性与超调之间的矛盾.自抗扰控制器由微分一跟踪器、扩张状态观测器和非线性状态误差反馈三部分组成.最后对自抗扰控制和PID控制算法分别进行了仿真.并分析比较了这两种不同控制算法的仿真效果,结果表明自抗扰控制系统具有良好的动态性能,控制器具有很强的鲁棒性.     

基于CAZAC序列的OFDM时频同步算法

针对Schmidl和Minn算法存在符号定时和频率同步精度不高,频率同步运算量大的缺点,提出一种新的基于CAZAC序列的OFDM同步算法.算法利用2个相同的CAZAC序列作为一个训练符号,并对第二个序列用CAZAC序列进行加权,在接收端利用训练符号所包含数据的重复性和CAZAC序列的相关性,进行符号定时同步;然后利用CAZAC序列具有的时域移位特性进行整数倍频偏估计.算法在时域完成,因运算量较小.仿真结果表明,新算法克服了Schmidl和Minn算法的缺点,在AWGN和多径信道下,均能精确同步并进行较大范围的频偏估计.特别是在信噪比较低时采用该算法能实现更准确的同步.     

米力农互变异构的理论计算

采用B3LYP/6-311G(d,P)法,分析米力农分子的酮式与烯醇式构型的构象.再采用相同方法,在气相和水相中计算并考察烯醇式与酬式结构互变时,质子迁移的两种可能途径:(a)分子内质子迁移,(b)水助质子迁移.结果表明,后者所需的活化能较小,氢键在降低反应活化能方面起重要作用,PCM溶剂化对分子几何结构参数和反应活化能的影响较小.