基于MATLAB的双机器人系统建模与仿真

提出一种基于MATLAB编程来实现双机器人系统仿真模型的建立方法。首先,根据D-H参数对双机器人系统中的四、六自由度机器人分别建立连杆坐标系,确定各连杆之间的坐标变换关系。然后,确定双机器人系统的坐标关系,方便在双机器人系统工作时,计算二者末端执行器之间的变换矩阵。最后,通过MATLAB编程建立双机器人系统模型,并按照协调操作步骤要求对系统机器人进行轨迹规划。通过对轨迹规划结果的分析表明:仿真建模方法可以反映实际机器人系统的位姿和轨迹。     

基于DS18B20高精度数字温度计的设计研究

本文介绍了一种基于DS18BB20的高精度数字温度计,该系统以单总线式数字温度传感器DS18820作为测温传感器,数字温度计是由单片机STC11F01控制,实现功能为实时测量环境温度,四位显示温度0．00-99．99℃,并能根据程序设定的特定温度进行声音报警和继电器动作。实现了读数方便、设计简练、测量准确的测量效果,广泛应用于工业、农业等方面的温度测量。     

自密实预应力混凝土梁的疲劳性能试验研究

本文通过5根自密实和3根振捣密实混凝土模型梁的疲劳试验对比,研究了自密实部分预应力混凝土梁的疲劳性能,试验表明自密实与振捣密实混凝土梁的疲劳性能没有明显的差异,自密实混凝土梁的疲劳性能略优于振捣密实混凝土梁,但自密实混凝土结构仍可采用振捣密实混凝土结构疲劳理论和计算方法来进行分析。部分预应力混凝土梁的疲劳破坏一般是混凝土疲劳开裂,受拉非预应力钢筋疲劳断裂,一般不会出现预应力钢筋疲劳断裂和受压混凝土疲劳压碎;考虑混凝土的非线性性能计算受拉钢筋的疲劳应力幅值比按初始弹性状态计算受拉钢筋的疲劳应力幅值估计梁的疲劳寿命与试验结果具有更好的吻合性,更适用于自密实或振捣密实混凝土结构的疲劳寿命估计。     

砼及预应力砼框架结构的延性分析

通过对国内69个构件和结构的试验资料的重新分析,提出了影响结构位移延性系数的主要因素:配箍特征值β_v、名义剪跨比λ、轴压比n和结构类型.通过回归分析,建议了适用于构件与结构的位移延性系数的通用经验公式,其计算结果与实测结果符合较好.     

协方差传播律在结构可靠性分析中的应用

随机变量的数字特征：方差，协方差以及相关系在结构可靠性分析中有非常重要的作用，本文按协方差传播律一次计算出方差与协方差和相关系数，比值接按方差与协方差定义与计算方便得多，特别适合计算机计算。     

超密集网络中基于改进DQN的接入选择算法

在超密集网络环境中，各个接入点密集部署在热点区域，构成了复杂的异构网络，用户需要选择接入合适的网络以获得最好的性能。如何为用户选择最优的网络，使用户自身或网络性能达到最佳，称为网络接入选择问题。为了解决超密集网络中用户的接入选择问题，综合考虑网络状态、用户偏好以及业务类型，结合负载均衡策略，提出了一种基于改进深度Q网络(deep Q network, DQN)的超密集网络接入选择算法。首先，通过分析网络属性和用户业务的偏好对网络选择的影响，选择合适的网络参数作为接入选择算法的参数；其次，将网络接入选择问题利用马尔可夫决策过程建模，分别对模型中的状态、动作和奖励函数进行设计；最后，利用DQN求解选网模型，得到最优选网策略。此外，为了避免DQN过高估计Q值，对传统DQN的目标函数进行优化，并且在训练神经网络时，引入了优先经验回放机制以提升学习效率。仿真结果表明，所提算法能够解决传统DQN的高估问题，加快神经网络的收敛，有效减少用户的阻塞，并改善网络的吞吐能力。     

基于混合分簇的超密集网络资源分配算法

超密集网络(Ultra-dense network)通过密集部署微基站满足了爆炸式的流量需求,但是干扰严重,合理进行资源分配尤为重要.为减少干扰和进行资源分配,本文提出一种基于混合分簇的资源分配算法.首先,为解决传统K-means算法簇个数和簇中心点难以确定的问题,采用Canopy算法先进行预处理.同时,在用Canopy算法进行预处理时,没有直接设置距离阈值,引入加权平均值公式进行阈值选择,可以实现根据现实场景动态改变簇的大小和个数.然后,最大化吞吐量的同时考虑用户的服务质量,根据优化目标和约束条件,本文提出用拉格朗日对偶算法准确计算出微基站给用户分配的子信道,且采用次梯度更新算法不断更新拉格朗日乘子,得到子信道的最终分配结果.最后,为减少能耗,没有随机地给用户分户分配功率,采用注水算法给用户分配功率.仿真结果表明,所提分簇算法更加准确、均匀地将小基站分布在每个簇中,在完成分簇的前提下,所提资源分配算法不但保障了用户服务质量,而且显著提高了系统吞吐量.     

智能软件定义网络

近年来,人工智能（Artificial Intelligence,AI ）以强劲势头吸引着学术界和工业界的目光,并被广泛应用于各种领域.计算机网络为人工智能的实现提供了关键的计算基础设施.然而,传统网络固有的分布式结构,往往无法快速、精准地提供人工智能所需要的计算能力,导致人工智能难以实际应用和部署.软件定义网络（Software Defined Networking,SDN）提出集中控制的理念,中央控制器能够按需快速地为人工智能适配计算能力,从而实现其全面部署.将人工智能与SDN网络相结合,实现智能化软件定义网络,既可以解决棘手的传统网络问题,也能够促进网络应用创新.因此,本文首先研究将人工智能应用于软件定义网络所存在的问题,深入分析基于人工智能的SDN的优势,说明软件定义网络与人工智能结合的必要性.其次,自底向上的从SDN的数据平面、控制平面和应用平面角度出发,思考了不同网络平面与人工智能的结合.通过描述智能化软件定义网络的相关研究历程,介绍了智能软件定义网络在路由优化、网络安全和流量安全三方面的关键技术和面对的挑战.最后结合其他新兴领域说明智能软件定义网络的优势和前景,并对未来研究工作进行了展望.