车辆质心侧偏角估计综述

车辆质心侧偏角是车辆稳定性控制系统中至关重要的状态变量。分别从横向车速估计方法、纵向车速估计方法和估计过程中的模型参数自适应估计三个方面回顾车辆行驶过程中的质心侧偏角估计问题。通过对比分析质心侧偏角估计中运动学估计方法和动力学估计方法的各自优缺点,指出多方法融合估计质心侧偏角的优势。比较分析不同种类的观测器技术对质心侧偏角估计效果的影响。分析指出参数自适应估计是提高质心侧偏角估计精度的有效手段,并分别介绍路面峰值附着系数、轮胎侧偏刚度、路面坡度角等参数的自适应估计方法。分析分布式驱动电动汽车结构特点对质心侧偏角估计问题带来的影响,指出充分利用电动机转矩信息是提高质心侧偏角估计的重要措施。针对分布式驱动电动汽车,先后分别列举分析横向车速、纵向车速和参数自适应估计方法的特殊之处和优势所在。     

汽车质心侧偏角估计的研究现状及发展

阐述了汽车质心侧偏角估计对于汽车稳定性控制的重要意义。从量测仪器、估计算法、物理模型、轮胎模型四个方面对国内外的质心侧偏角估计的研究进行了归纳、分析,重点列举比较了各类估计算法的优缺点,最后指出了建模的准确性、不同传感器信号的融合问题、传感器误差的处理、参数的自适应四个方面存在的问题以及发展趋势,并着重指出了参数自适应将是算法研究的重点。     

VHE系统中的业务适配性研究

VHE(虚拟本地环境)作为3G业务提供方式之一,逐渐成为研究的热点,但业务适配机制作为VHE系统中的核心问题之一,尚缺乏切实可行的解决方案.本文分析了VHE系统对业务适配性的需求,提出了一种满足VHE系统要求的业务内容适配解决方案--基于移动代理的适配实现机制,提高了VHE系统的效率.     

色适应及ICC色彩管理中的色适应转换

从分析颜色与视觉的关系入手,概述色适应现象及进行色适应转换处理的必要性,讨论了基于ICC的色彩管理中3种色适应转换模式及应用,以利调整不同光源下的色度值使更符合人眼的真实感受.     

多业务CDMA系统快速自适应呼叫准入控制算法

为了保证干扰受限多业务CDMA移动通信系统工作稳定可靠,必须有效、快速、准确地控制接入系统中的各类业务的用户数目,这一任务由呼叫准入控制(CAC)算法来完成.本文提出的基于门限比较的快速自适应CAC (FACAC)算法与传统的同类算法相比,具有判决速度快、判决精度高、门限自适应和简单易行等特点.仿真结果验证了理论推导的正确性,表明FACAC算法的中断特性优于传统CAC算法60%以上,系统服务等级(GoS)优23%左右(系统业务负荷较高时).     

相关瑞利信道在速率调整与分集合并下的容量研究

本文研究了最大比合并与速率调整相结合情况下的香农容量,得出了在相关瑞利衰落信道下容量的封闭表达式,并研究了在两天线情况下相关系数对容量的影响,并与高斯信道下的容量进行了比较.     

冷适应对一株植物乳杆菌膜脂肪酸组成和膜蛋白表达的影响

从15株乳杆菌中筛选出一株冷敏感性较高的菌株(植物乳杆菌KLDS1.0703),研究冷适应对该株菌细胞膜脂肪酸组成和膜蛋白表达的影响。根据生长速率与温度(开氏温度)相关性的Arrhenius曲线及冷适应时间对存活率的影响,确定该菌株的冷适应条件为:培养至对数中期,10℃冷适应处理4 h。应用GC/MS分析冷适应前后菌体的膜脂肪酸组成发现,脂肪酸18:1△9c的结构中不饱和键由反式转变为顺式;应用双向电泳分析冷适应前后菌体的膜蛋白质组成,分析找到23个差异表达的蛋白点,其中3个为特异表达蛋白质点。结果表明,冷适应处理诱导植物乳杆菌KLDS1.0703膜脂肪酸结构向熔点降低方向转变,而且膜蛋白质出现特异性表达。     

多接口多信道无线网状网中流量感知的信道带宽调制算法

 如何合理分配使用有限的频谱资源是无线网状网研究中的一个重要议题。近来有研究开始采用动态信道带宽调制来提升无线网络性能。本文将最优信道带宽调制归结为“装箱压缩”问题,并结合多接口技术提出分布式流量感知的信道带宽调制算法,最后将算法应用于多接口多信道无线网状网。模拟表明我们的算法能有效增加频谱使用效率和提升网络性能。     

多标记学习研究综述

多标记学习不同于传统的监督学习,它是为了解决客观世界中多义性对象的建模问题而提出的一种学习框架。在该框架下,一个示例可以同时隶属于多个标记。经过十多年的发展,机器学习界已经出现了大量关于多标记学习的研究成果,并得到了广泛的应用。本文对多标记学习问题进行系统而详细的阐述,给出多标记学习的问题定义和评价指标,重点介绍多标记学习算法,并提出多标记学习进一步的研究方向。      

多源适应多标签分类框架

多源适应学习是一种旨在提升目标学习性能的有效机器学习方法。针对多标签视觉分类问题,基于现有的研究进展,研究提出一种新颖的联合特征选择和共享特征子空间学习的多源适应多标签分类框架,在现有的图Laplacian正则化半监督学习范式中充分考虑目标视觉特征的优化处理,多标签相关信息在共享特征子空间的嵌入,以及多个相关领域的判别信息桥接利用等多个方面,并将其融为一个统一的学习模型,理论证明了其局部最优解只需通过求解一个广义特征分解问题便可分别获得,并给出了算法实现及其收敛性定理。在两个实际的多标签视觉数据分类上分别进行深入实验分析,证实了所提框架的鲁棒有效性和优于现有相关方法的分类性能。