分形特性角度定位研究

提出一种将分形理论用于PCB图像定位的新方法，以PCB上的矩形定位标志图像为研究对象，分析其边缘特征，结果表明图像边缘具有典型的分形特性；用去除边缘异常噪声加补偿的方法对图像边缘进行处理，消除噪声对图像边缘对应的分形曲线特性的影响，得到较精确的边缘分形曲线形维数；推导出图像转动角度与图像边缘分开曲线分形维数的理论关系式，根据边缘曲线的分形维数精确地得到了目标图像的转动角度，解决了PCR板的精确，快速角度定位问题。     

大功率负载差动轮系软启动系统的调速控制

本文介绍从调速控制的角度对大型带式输送机上的差动轮系软启动系统进行研究,发现该系统的控制速度不仅由差动轮系的参数决定,还由两电机的功率比和极数比决定。最后介绍了差动轮系软启动系统的调速控制实验。     

测量系统可接受性准则--重复性和再现性准则

介绍目前广泛应用于欧美企业特别是汽车行业及其配套零配件企业中测量系统的可接受性准则－重复性和再现性准则（Ｒ＆Ｂ准则）。该准则从测量设备本身重复性误差（Ｒ）,测试人员的操作再现性误差（Ｒ）和评定样件的选取三方面综合考虑对测试系统可接受性的影响,最终实现测量系统精度的合理评定。     

共轭曲面自适应分析的离散解析原理

为便于构建计算机自动分析系统,提出共轭曲面自适应分析的离散解析原理,即曲面的分析按离散点进行,在每一离散点上遵循共轭曲面解析原理。共轭曲面曲率分析是共轭曲面理论的一个重要内容。认为创成曲面决定于母曲面马和相对运动的共同作用,通过对Σ２和相对运动的综合分析,获得马上相应点的曲率特性。从共轭条件的导数形式出发,推导出由母曲面及相对运动获得创成曲面Σ１曲率特性的公式,在数学模型上将离散运算和解析原理结合起来,与作者此前提出的共轭曲面自适应综合的离散解析原理相统一。“离散解析原理”使得计算机智能化、自适应处理共轭曲面问题成为可能,为相关ＣＡＤ／ＣＡＭ应用系统开发及共轭曲面理论的广泛深人应用奠定坚实的基础。     

二辊平整机数值建模及平整机理分析

运用ABAQUS有限元软件,采用二维、三维弹塑性有限元法相结合方式,对二辊平整机加工过程进行模拟。完成了对极薄板的不同摩擦系数、不同弯辊力等因子条件下的有限元模拟,得出各因子对带钢平整变形的相关影响;由受力分析得出了接触区内纵向变形区的分布特点及形成原因;得到了剥落等失效形式以及边缘降产生的依据,并进行了与实验结果的对比。为板形分析与控制提供了新的方法和依据。     

具有笔控功能的PCB板元件快速定位手操器系统

本文提出了一种新的待贴装PCB板元件精确定位的方法,同时结合全自动视觉多功能贴片机,给出了手操器软硬件的一种实现。该手操器给全自动岵片机PCB板贴装前的示教工作带来很大的方便,减少了工作量和误差。     

基于Web的智能概念设计求解平台设计

Web技术的迅猛发展和智能概念设计的深入研究 ,为产品实现异地设计提供了开放的设计平台和研究基础 ,通过对国内海洋渔业机械生产状况调研 ,以拖网绞机为例虚拟设计了基于Web的分布式协同设计和网络知识库共享的智能概念设计通用求解平台 ,详细探讨了系统模块结构和功能 ,并对拖网绞机智能概念设计方法作了简单论述     

运动控制系统中被控对象的模型辨识研究

该文提出的方法以贴片机为例,使用运动控制器的输出激励被控对象,采样获得被控对象的输入输出数据,然后上传至计算机;通过Matlab的系统辨识工具箱,处理采集的数据并且辨识获得被控对象的数学模型,最后对模型的正确性进行了相应的验证。辨识的结果可为运动控制系统的算法研究、仿真及故障诊断等提供相应的依据。     

共轭曲面自适应综合的离散解析原理

为构造共轭曲面计算机处理系统,提出共轭曲面自适应综合的离散解析原理。从共轭曲面的创成过程出发,将母曲面∑2和创成曲面∑1看作两簇空间网格点集,认为∑1是由运动过程中∑2上满足共轭条件的点在S1坐标空间中的宏观表现,通过微分几何中共轭条件的等价变换在数学模型上将计算机运算和共轭曲面解析求解结合起来。离散解析原理不仅能处理解析的共轭曲面问题,而且能处理离散的共轭曲面问题,达到共轭曲面综合的智能化、自动化。     

基于数据间内在关联性的自适应模糊聚类模型

提出了一种新的模糊聚类模型(Fuzzy C-means clustering model, FCM), 称为自适应模糊聚类(Adaptive FCM, AFCM). 和现有的大多数模糊聚类方法不同的是, AFCM考虑了数据集中全体数据的内在关联性, 模型中引入了自适应度向量W和自适应指数p. 其中, W在迭代过程中是自适应的, p是一个给定参数. W和p共同作用调控聚类过程. AFCM同时输出三组参数: 模糊隶属度集U, 自适应度向量W, 以及聚类原型集V. 本文给出了两组数据实验验证AFCM的性能. 第1组实验验证AFCM的聚类性能, 以FCM为比较对象. 实验表明 AFCM可以得到更好的聚类质量, 而且通过合理选择自适应指数p, AFCM和FCM在时间复杂性上保持同一水平. 第2组实验检验了AFCM的离群点挖掘性能, 以目前常用的基于密度的LOF为比较对象. 实验表明AFCM算法具有极大的计算效率优势, 且AFCM得到的离群点是全局的, 反映的是离群点和整个数据集的关系, 离群点涵盖的信息也更丰富. 文章指出, AFCM在挖掘大数据集和实时数据中的离群点应用方面, 以及获得高质量的聚类结果的应用方面, 特别在聚类的同时需要挖掘离群点的应用方面具有独特的优势.