地形辅助导航技术的研究

介绍了地形辅助导航系统的工作原理、系统组成和技术应用,着重介绍了地形辅助导航系统中位置估计、数字地图、实测高程数据采集、存储技术、组合导航、数字相关器等几项关键技术,并通过数据统计和分析对地形辅助导航系统进行了论证。     

如何在嵌入式系统上运行OSGI架构

嵌入式计算应用已经广泛运行在各种平台,普遍应用于各个领域,文中主要介绍在嵌入式系统上运行OSGI架构的相关操作和运行。     

浅谈TDD-OFDM技术在消防通信中的应用

本文主要介绍了TDD—OFDM技术原理以及在无线图像传输中的优点,在消防通信中的应用、组网和应用模式、特点。通过现场不同的组网方式完成现场音视频、数据等传输,为灾害事故现场视频图像传输提供了一种有效的解决途径,提高了公安消防部队应对各种突发性灾害事件的能力和指挥决策能力。     

Robust exponential stability conditions for retarded systems with Lipschitz nonlinear stochastic perturbations

This paper investigates robust mean‐square exponential stability of a class of uncertain stochastic state‐delayed systems with Lipschitz nonlinear stochastic perturbation. Based on Lyapunov–Krasovskii functional (LKF) method and free‐weighting matrix technique, some new delay‐dependent stability conditions are established in terms of linear matrix inequalities (LMIs). In order to reduce the conservatism, (1) the delay is divided into several segments, i.e. the delay decomposition method is applied; (2) cross terms estimation is avoided; (3) some information of the cross terms relationships which has not been involved in Reference (IET Control Theory Appl. 2008; 2(11):966–973) is considered. Moreover, from the mathematical point of view, the results obtained by free‐weighting matrix technique can be equivalently re‐formulated by simpler ones without involving any additional free matrix variables. The effectiveness of the method is demonstrated by numerical examples. Copyright © 2010 John Wiley & Sons, Ltd.     

构建人性化的步行空间——重庆城市建设的可持续发展设计

20世纪60年代关注步行道设计的开端是源自于对于城市规划的反思,城市污染严重、环境不断遭受挑战,设计可持续发展的城市环境已经迫在眉睫,步行道是人类最为本能的行为之一,城市步行道的建立要从生理与心理两方面入手,山地城市步行道建设要注重人文关怀,重庆的山地城市风貌有利于建立立体化的步行道,使步行道成为山地城市景观的重要部分,关注重庆的步行道设计使城市充满活力,重庆的未来将是活力之都、宜居之城。     

一种Agent的偏好系统及其建立

受到Agent偏好模型的启发,提出了一个新的描述人们行为的偏好系统称为AF系统,它将Michael Freund的理性偏好推理与Adams提出的经典的归纳逻辑和概率逻辑相结合,即借助经典的逻辑系统,把人们的逻辑推理和以人们的偏好取向为基础的常识性推理以及以主观愿望为基础的意向推理结合在一起成为一个有机系统,并且在这个系统下提出Agent的理性偏好的建立方法以及推理步骤.最后给出一个实例,说明它能根据人们的部分愿望,全面估计人们的偏好走向,而且一旦人们的基本态度有所转向,偏好结构也可做相应调整,无需做根本改动,因此它具有鲁棒性和实用价值.     

开源社区中已有开发者的合作行为分析

理解开发者的合作行为是促进开源社区协作开发的关键一步。已有文献主要对社区成员的加入与迁移展开研究,而对社区中已有开发者之间的实际合作行为关注甚少。主要从开发者的交互关系与个人技能两个角度出发,探析社区已有开发者如何建立新合作以及哪些因素影响他们的合作。应用Sourceforge.net平台公开的数据进行实验,结果表明不同的开发者的偏好合作模式不同,拓扑距离上的优势(“朋友的朋友”关系)对开发者间首次合作的影响不大,开发者之前的合作次数越多越有利于他们 再次建立合作,而开发环境(操作系统)与开发者(管理)经验对合作也有明显的影响。所得结论有助于提高开源社区已有开发者的合作意识,促进社区的稳定与可持续性。     

Online adaptive optimal control for continuous-time nonlinear systems with completely unknown dynamics

An online adaptive optimal control is proposed for continuous-time nonlinear systems with completely unknown dynamics, which is achieved by developing a novel identifier-critic-based approximate dynamic programming algorithm with a dual neural network (NN) approximation structure. First, an adaptive NN identifier is designed to obviate the requirement of complete knowledge of system dynamics, and a critic NN is employed to approximate the optimal value function. Then, the optimal control law is computed based on the information from the identifier NN and the critic NN, so that the actor NN is not needed. In particular, a novel adaptive law design method with the parameter estimation error is proposed to online update the weights of both identifier NN and critic NN simultaneously, which converge to small neighbourhoods around their ideal values. The closed-loop system stability and the convergence to small vicinity around the optimal solution are all proved by means of the Lyapunov theory. The proposed adaptation algorithm is also improved to achieve finite-time convergence of the NN weights. Finally, simulation results are provided to exemplify the efficacy of the proposed methods.     

分类错误指导的分层B-CNN模型用于细粒度分类

目的 细粒度分类近年来受到了越来越多研究者的广泛关注,其难点是分类目标间的差异非常小。为此提出一种分类错误指导的分层双线性卷积神经网络模型。方法 该模型的核心思想是将双线性卷积神经网络算法（B-CNN）容易分错、混淆的类再分别进行重新训练和分类。首先,为得到易错类,提出分类错误指导的聚类算法。该算法基于受限拉普拉斯秩（CLR）聚类模型,其核心“关联矩阵”由“分类错误矩阵”构造。其次,以聚类结果为基础,构建了新的分层B-CNN模型。结果 用分类错误指导的分层B-CNN模型在CUB-200-2011、 FGVC-Aircraft-2013b和Stanford-cars 3个标准数据集上进行了实验,相比于单层的B-CNN模型,分类准确率分别由84.35%,83.56%,89.45%提高到了84.67%,84.11%,89.78%,验证了本文算法的有效性。结论 本文提出了用分类错误矩阵指导聚类从而进行重分类的方法,相对于基于特征相似度而构造的关联矩阵,分类错误矩阵直接针对分类问题,可以有效提高易混淆类的分类准确率。本文方法针对比较相近的目标,尤其是有非常相近的目标的情况,通过将容易分错、混淆的目标分组并进行再训练和重分类,使得分类效果更好,适用于细粒度分类问题。