一种改进的NURBS曲线插补算法

针对NURBS曲线曲率变化过快或出现曲率不连续点会导致插补进给速率变化过快,超出机床的加减速能力。提出一种利用NURBS曲线曲率特征的改进插补算法。该算法根据NURBS曲线曲率的变化情况将曲线分成曲率平缓段和曲率突变段,在前瞻过程中扫描出曲率突变段,获得该段的起始点、终止点及最低速率点等信息,采用梯形加减速方法对该段进行速度规划,以满足机床动态特性,实现在曲率平缓段以指令速度插补,在曲率突变段以规划速度平滑插补。仿真实验结果表明,在保证加工精度的前提下,该增强算法以较高效率实现了曲率突变段的平滑插补。     

开关变换器的传输线模型与数字仿真研究

针对变换器的平均分析法无法分析变换器瞬态过程和分布参数对系统动态性能影响的问题,研究了基于变换器传输线建模技术的数字仿真方法,提出了电路元件电容、电感、开关器件和开关变换器的数字离散仿真模型,并进行了实验研究。这种离散建模技术以传输线理论为分析基础,得到的变换器数字仿真模型只与系统组成结构有关,而与系统中的开关状态无关。实验结果表明,与原有的分析变换器暂态过程的离散分析方法相比,该方法使用简单,物理概念明确,由于采用无源线性网络作为建模基础,变换器传输线建模方法的数字仿真算法具有无条件的数值收敛。     

应用改进型微粒群算法优化语言模型

语言模型具有很好的可理解性特征，但在多数情况下，其精确性是难满足要求的．本文利用改进型微粒群算法（MPSO）优化输入变量的语言值及对应的正交模糊集参数，再应用Wang方法以形成语言模型，在保持可理解性情况下，获得较精确的语言模型．改进型微粒群算法采用惯性权重自适应动态调整策略，结果显示该改进算法在语言模型过程中更容易获得全局最优解，学习效率和优化性能明显提高．     

小波分析在虚拟检测系统中的应用研究

针对研究的机电设备状态虚拟检测系统的特点，分析了小波分析在虚拟检测系统中的应用及实现方法，研究其在信号处理过程中的动态性，使小波分析能适应不同特点的机电设备及测试信号的处理要求；提出了基于小波能量的状态检测方法，该检测方法在设备故障检测中得到很好的应用。     

混合蛙跳脊波神经网络观测器电机故障诊断研究

针对牵引电机非线性、强耦合、时变的特点,提出一种基于混合蛙跳算法脊波神经网络观测器牵引电机故障诊断方法.该方法利用观测器生成残差,并通过对残差的分析实现故障检测与分离.首先将牵引电机模型分为线性函数部分和非线性函数部分,并利用脊波神经网络逼近这个非线性函数,然后在此基础上建立自适应观测器,并通过最优算法求出观测器反馈增益矩阵.为提高神经网络的收敛速度和逼近精度,利用混合蛙跳优化算法对神经网络参数进行优化.通过实验对混合蛙跳算法脊波神经网络观测器、RBF神经网络观测器以及BP神经网络观测器进行比较,结果表明,该方法的收敛速度较BP神经网络观测器提高了80.3％,故障诊断准确率提高41.5％.     

IPv6与IPv9的比较

介绍了IPv6与IPv9的起源和特点，并在地址空间和域名服务、移动的支持性、内置的安全特性、QoS、自动配置、应用范围和支持者，以及发展可能性和发展趋势等几个方面。对二者加以比较，分析其优劣所在。指出IPv9不是IPv6的升级版本，而是IPng的一个建议版本，尚未被接受为国际标准。在民用互联网中，IPv6无疑是主流标准；在军事网和部分政府网络中，从国家安全的角度出发，IPv9可能争得一席之地。     

基于概率后缀树的移动对象轨迹预测

在移动对象轨迹预测中,针对低阶马尔可夫模型预测准确率不高、高阶模型状态空间膨胀的问题,提出一种基于概率后缀树(PST)的动态自适应变长马尔可夫模型预测方法。首先依时间先后将移动对象的轨迹路径序列化;然后根据移动对象的历史轨迹数据进行学习训练,计算序列上下文的概率特征,建立路径序列的概率后缀树模型,结合当前实际轨迹数据,动态自适应预测将来的位置信息。实验结果表明,该模型在二阶时取得最高的预测精度,随着阶数的增加,预测精度保持在82%左右,能取得较好的预测效果;同时空间复杂度呈指数级减少,大大节省了存储空间。该方法充分利用历史轨迹数据和当前轨迹信息预测未来轨迹,能够提供更加灵活、高效的基于位置服务。     

自私无线Ad Hoc网络中一个低开销的诚实能效路由协议

一种激励自私无线Ad Hoc网络中节点合作的方法,向提供报文传输服务的节点提供不低于其传输成本的报酬。低开销诚实路由协议LOTER引入了VCG机制,节点在路由发现阶段收集邻居节点的信息,目标节点选择多条RREP路径,位于RREP路径上的节点将邻居节点信息沿RREP路径报告给源节点,源节点完成LCP路由选择和VCG报酬的计算。LOTER协议以低的报文开销收集网络拓扑信息,有效实现了自私无线Ad Hoc网络中的诚实能效路由。仿真结果表明,与现有协议比较,该协议具有更好的性能。     

基于后缀自动机的轨迹模式挖掘方法*

如何有效的从轨迹数据中挖掘轨迹模式和规律具有重要意义,本文基于交通路网研究移动对象轨迹预测,将序列分析方法和马尔科夫统计模型结合,提出了一种基于后缀自动机的变阶马尔科夫模型挖掘方法。该方法根据移动对象的历史轨迹数据进行学习训练,计算轨迹序列上下文的概率特征,建立序列的后缀自动机模型,结合当前实际轨迹数据,动态自适应预测将来的位置信息。实验结果表明：相比固定阶马尔科夫模型,随着阶数的增加（L>=2）,固定阶马尔科夫模型预测的精度逐步降低,而该方法能动态自适应,精度保持在81.3%左右,取得较好的预测效果;同时,该方法只需线性的时间和空间开销,大大降低了存储空间和时间,能实现大规模数据的在线学习。     

车用锂离子电池模块振动测试分析

车用锂离子电池模块按照QC／T743及SAEJ2380两个标准进行振动，本文分析了不同振动标准对电池模块振动性能的评价。从电池模块结构、放电容量、交流内阻和振动过程中电芯的温度变化多角度分析振动对车用锂离子电池模块性能的影响。经过振动测试，车用锂离子电池模块的结构完好，振动前后交流内阻和放电容量保持稳定。在振动过程中，电池模块放电容量降低至初始放电容量的80％左右。从振动放电容量角度看，SAEJ2380标准要求的振动等级略高于QC／T743标准。