基于ISA100.11a标准的工业物联网开发平台的设计与实现

工业物联网技术是未来几年工业自动化产品新的增长点。作者所在实验室作为Voting Member和ISA WCI工作组成员参加ISA100.11a标准的制定,研发了基于ISA100.11a的工业物联网通信协议栈软件、网络设备及终端设备,研制的ISA100.11a工业物联网开发平台具有完善的硬件、软件产品及技术支持,核心技术已经形成专利池,可广泛应用于智能工业、环境监测、智能电网等应用系统的开发,并已经在中国四联集团、韩国汉阳大学等单位得到应用。     

带曲率补偿的带隙基准电流源的设计

简单介绍了带隙基准源的基本原理,给出了一款基于Widlar结构的带曲率补偿的带隙基准电压电流源的设计方法,通过采用TSMC₀.5μm工艺库对电路进行仿真,在-40～150℃的温度范围内,其带隙基准的输出具有12ppm/℃的温度系数,电流基准的输出具有42ppm/℃。此外,文中还对曲率补偿电路的工作原理进行了分析,并且通过仿真波形对曲率补偿的工作机制进行了讨论。     

实时汽车控制系统面向方面建模

在控制系统监控、系统先进控制和优化控制等实时控制系统中,随着数据量的增大,把卖时数据库整合到这些系统中是一种发展趋势。以汽车控制系统为例,运用ACCORD方法对该控制系统中的实时数据库建模。     

一种基于层次的无线传感器网络非均匀分簇路由协议

针对无线传感器网络中由于多跳通信方式导致的"热区"问题,本文提出一种基于层次的非均匀分簇路由协议。本协议先根据节点到达汇聚节点的距离对网络划分层次,然后在每个层次中通过基于权值的竞选方式产生簇头,在权值的选择上综合考虑了节点剩余能量和位置,最后构建多跳传输路由负责簇内和簇间的数据转发。仿真实验表明,本协议能有效地均衡网络负载和延长网络生命周期。     

基于JEE平台的公告通知管理系统的设计与实现

介绍企事业单位公告通知管理系统的开发。本系统基于JEE平台,使用JSP、Servlet、JavaBean技术实现,其功能主要是用户身份验证和公告通知管理。整个系统采用MVC设计模式,模型层采用JavaBean实现,视图层使用JSP实现,控制层采用Servlet实现。本系统的应用将有助于企事业单位管理水平的提高。     

基于SOM的模糊聚类在Web日志挖掘中的应用

将自组织映射神经网络（SOM）与FCM结合,利用SOM的并行计算能够减少模糊C均值算法在处理海量数据时的聚类时间,可以提高聚类算法的速度和效果,同时使用该算法对校园网Web日志进行数据挖掘,能够对用户行为进行分析,从而提出相应的方法,更好地提高服务效率和管理质量。     

医疗信息系统数据备份与恢复的研讨

医疗信息是病程记录、病例还原的重要载体,它记载了医疗行为的过程,便于查询和检索统计,保障医疗信息完整性、正确性和可用性显得至关重要,探讨了医疗信息的备份和恢复。     

苏州市景观水体表观污染类型识别及特征指标筛选

为解决表观污染成因的问题,以苏州市区河网为主要研究对象,采集796个数据样本,对景观水体的表观污染类型进行划分界定,并通过对数据样本的统计分析,探究水体表观污染类型和水质指标之间的关系。结果表明:氧化还原电位、溶解氧、叶绿素a、高锰酸盐指数和浊度对不同污染类型的水体具有很好的区分度,可作为主要特征指标;景观水体可分为有机主导型、无机主导型、营养主导型和混合型4种表观污染类型;不同表观污染水体判别的优先次序为有机主导型、无机主导型、营养主导型、混合型。     

一种鲁棒性的少样本学习方法

少样本学习是目前机器学习研究领域的一个热点,它能在少量的标记样本中学习到较好的分类模型.但是,在噪声的不确定环境中,传统的少样本学习模型泛化能力弱.针对这一问题,提出一种鲁棒性的少样本学习方法RFSL(Robust Few-Shot Learning).首先,使用核密度估计(Kernel Density Estimation,KDE)和图像滤波(Image Filtering)方法在训练集中加入不同的随机噪声,形成多个不同噪声下的训练集,并分别生成支持集和查询集.其次,利用关系网络的关系模块通过训练集端到端地学习多个基分类器.最后,采用投票的方式对各基分类器的最末Sigmoid层非线性分类结果进行融合.实验结果表明,RFSL模型可促进小样本学习快速收敛,同时,与R-Net以及其他主流少样本学习方法相比,RFSL具有更高的分类准确率,更强的鲁棒性.     

基于D-FNN的混沌铁磁谐振系统非线性补偿控制方法

针对电网混沌铁磁谐振系统产生的混沌现象,提出基于动态模糊神经网络的混沌铁磁谐振系统非线性补偿控制方法。该方法采用动态模糊神经网络来逼近系统的非线性部分,消除了过电压的混沌现象,将系统稳定到目标位置,实现了对系统的非线性补偿控制。Matlab仿真结果表明,基于动态模糊神经网络的非线性补偿控制方法控制结果正确,响应快速。