免费国产黄网站在线观看品善网,亚洲国产精品无码久久98

基于Android的麻醉深度檢測(cè)儀設(shè)計(jì)與實(shí)現(xiàn)[測(cè)試測(cè)量][醫(yī)療電子]

麻醉深度監(jiān)測(cè)在手術(shù)室和重癥監(jiān)護(hù)病房起著非常重要的作用。為了方便醫(yī)護(hù)人員在手術(shù)或重癥監(jiān)護(hù)過(guò)程中對(duì)患者的意識(shí)狀態(tài)進(jìn)行準(zhǔn)確的評(píng)估，設(shè)計(jì)了一種簡(jiǎn)易的基于Android的麻醉深度檢測(cè)系統(tǒng)。該系統(tǒng)主要包含三個(gè)部分：對(duì)前端采集的EEG信號(hào)進(jìn)行放大濾波；對(duì)采集到的信號(hào)進(jìn)行排列熵算法處理；Android人機(jī)接口界面的設(shè)計(jì)。在完成整體方案設(shè)計(jì)后，對(duì)整個(gè)系統(tǒng)進(jìn)行了測(cè)試，并利用麻省理工學(xué)院的生理信號(hào)數(shù)據(jù)庫(kù)的多導(dǎo)睡眠EEG數(shù)據(jù)進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果說(shuō)明該系統(tǒng)能夠反映病人的腦電意識(shí)狀態(tài)。

發(fā)表于：1/6/2017

基于RFID與智能終端的電梯維保系統(tǒng)研究與設(shè)計(jì)[嵌入式技術(shù)][物聯(lián)網(wǎng)]

針對(duì)電梯維保不規(guī)范、不按時(shí)、不到位等問(wèn)題，研究設(shè)計(jì)了集成安卓技術(shù)、RFID技術(shù)、智能終端技術(shù)的電梯維保系統(tǒng)。該系統(tǒng)基于MyEclipse軟件開(kāi)發(fā)平臺(tái)，主程序設(shè)計(jì)采用JAVA語(yǔ)言，實(shí)現(xiàn)了電梯現(xiàn)場(chǎng)維保、電梯維保記錄管理等功能，是提升電梯維保質(zhì)量和效率的重要技術(shù)支撐。

發(fā)表于：1/6/2017

基于STM32單片機(jī)四旋翼飛行器建模分析與設(shè)計(jì)[嵌入式技術(shù)][物聯(lián)網(wǎng)]

針對(duì)四旋翼飛行器穩(wěn)定性差、控制難的問(wèn)題，使用牛頓-歐拉方程建立了數(shù)學(xué)模型，提出了姿態(tài)解算的實(shí)現(xiàn)方法。設(shè)計(jì)了以STM32單片機(jī)為控制核心，加速度計(jì)、陀螺儀及磁力計(jì)等組成的硬件控制電路。提出將加速度計(jì)解算出的角度數(shù)據(jù)與陀螺儀解算出的角度數(shù)據(jù)進(jìn)行融合，通過(guò)卡爾曼濾波濾去干擾信號(hào)，保證了角度數(shù)據(jù)的準(zhǔn)確性。設(shè)計(jì)了三路串級(jí)PID控制器，通過(guò)對(duì)橫滾角、俯仰角、偏航角3種姿態(tài)角進(jìn)行控制，實(shí)現(xiàn)了對(duì)飛行器的懸停、前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)等控制。經(jīng)室內(nèi)外飛行測(cè)試表明，飛行器可以平穩(wěn)飛行。

發(fā)表于：1/6/2017

PSI5異步通信傳感器的硬件在環(huán)仿真[嵌入式技術(shù)][汽車電子]

隨著汽車電子產(chǎn)品的發(fā)展，車輛傳感器的使用也在不斷增加?；赑SI5的新型傳感器由于使用方便、執(zhí)行成本低，成為汽車級(jí)傳感器通信的新寵。然而，在產(chǎn)品開(kāi)發(fā)階段，如何針對(duì)這一類傳感器進(jìn)行驗(yàn)證成為新的課題?；贒SPIC33FJ128GP706的仿真器，設(shè)計(jì)了模擬飛思卡爾加速度傳感器MMA5124LWR2的PSI5異步通信并通過(guò)驗(yàn)證，實(shí)現(xiàn)了該類傳感器的硬件在環(huán)仿真。

發(fā)表于：1/6/2017

基于STM32赤霉病小麥實(shí)驗(yàn)裝置檢測(cè)系統(tǒng)[嵌入式技術(shù)][工業(yè)自動(dòng)化]

脫氧雪腐鐮刀菌烯醇（deoxynivalenol，簡(jiǎn)稱DON毒素）是存在于小麥、玉米等糧食作物中的一種真菌毒素，不僅影響了糧油食品產(chǎn)業(yè)的發(fā)展，更對(duì)人們的身體健康帶來(lái)了嚴(yán)重的威脅。以高壓電場(chǎng)和電力電子測(cè)控技術(shù)作為理論基礎(chǔ)，設(shè)計(jì)了以STM32為控制核心的赤霉病小麥電處理實(shí)時(shí)檢測(cè)系統(tǒng)，從而實(shí)現(xiàn)對(duì)赤霉病小麥處理室的溫度、濕度、環(huán)境光以及電壓電流等參數(shù)的檢測(cè)與顯示。系統(tǒng)以無(wú)線WiFi模塊作為載體，將關(guān)鍵技術(shù)參數(shù)傳送到上位機(jī)，實(shí)現(xiàn)上位機(jī)實(shí)時(shí)顯示、報(bào)警和控制，達(dá)到減小外界因素對(duì)赤霉病小麥電處理的影響。實(shí)驗(yàn)表明，實(shí)驗(yàn)裝置測(cè)量精度高、便于調(diào)節(jié)，能夠?yàn)槌嗝共⌒←滊娞幚硖峁┛煽康谋ＷC。

發(fā)表于：1/5/2017

基于物聯(lián)網(wǎng)的智能生態(tài)魚(yú)缸系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[模擬設(shè)計(jì)][物聯(lián)網(wǎng)]

設(shè)計(jì)了一套基于物聯(lián)網(wǎng)的生態(tài)魚(yú)缸環(huán)境監(jiān)控系統(tǒng)，該系統(tǒng)主要由三部分組成：環(huán)境信息采集與控制、數(shù)據(jù)傳輸和數(shù)據(jù)信息管理系統(tǒng)。該系統(tǒng)利用傳感器感知技術(shù)采集生態(tài)魚(yú)缸內(nèi)的環(huán)境信息，并將采集數(shù)據(jù)通過(guò)無(wú)線ZigBee傳輸技術(shù)發(fā)送至控制中心節(jié)點(diǎn)，然后通過(guò)數(shù)據(jù)通信網(wǎng)關(guān)上傳到后臺(tái)服務(wù)器，最終由服務(wù)器將控制命令發(fā)往各個(gè)設(shè)備終端節(jié)點(diǎn)，實(shí)現(xiàn)魚(yú)缸環(huán)境的自動(dòng)調(diào)節(jié)。實(shí)際使用表明，該系統(tǒng)運(yùn)行穩(wěn)定，能夠滿足實(shí)時(shí)、動(dòng)態(tài)的魚(yú)缸生態(tài)環(huán)境監(jiān)控的需求。

發(fā)表于：1/5/2017

一種小區(qū)節(jié)點(diǎn)的部署優(yōu)化機(jī)制[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)無(wú)定形小區(qū)節(jié)點(diǎn)可控制特性及基站的抗干擾及能效優(yōu)化的需求，提出一種新的節(jié)點(diǎn)自適應(yīng)部署機(jī)制。通過(guò)對(duì)小區(qū)內(nèi)通信節(jié)點(diǎn)關(guān)閉或開(kāi)啟的機(jī)制設(shè)置，系統(tǒng)可以在減少干擾的同時(shí)，增大業(yè)務(wù)吞吐量，提升能效。文章建立了宏小區(qū)中各個(gè)指標(biāo)的數(shù)學(xué)模型，對(duì)節(jié)點(diǎn)的激活、休眠狀態(tài)的切換提出一種優(yōu)化部署策略。在已知每日業(yè)務(wù)流量變化近似正弦曲線的情況下，對(duì)無(wú)定形小區(qū)優(yōu)化前后的仿真結(jié)果進(jìn)行對(duì)比，結(jié)果表明該方法降低了系統(tǒng)干擾，提升了系統(tǒng)吞吐量，且更加節(jié)能。

發(fā)表于：1/5/2017

基于干擾加噪聲協(xié)方差矩陣重構(gòu)的穩(wěn)健自適應(yīng)波束形成[模擬設(shè)計(jì)][通信網(wǎng)絡(luò)]

在自適應(yīng)波束形成中，由于期望信號(hào)(SOI)導(dǎo)向矢量(SV)的誤差、采樣點(diǎn)數(shù)較少、訓(xùn)練數(shù)據(jù)中存在期望信號(hào)成分等原因，造成波束形成的性能嚴(yán)重下降。針對(duì)以上問(wèn)題，提出了一種穩(wěn)健波束形成方法。首先利用MUSIC算法和參數(shù)估計(jì)來(lái)重構(gòu)不包含SOI的干擾噪聲協(xié)方差矩陣，再通過(guò)利用相關(guān)系數(shù)來(lái)估計(jì)出期望信號(hào)導(dǎo)向矢量。仿真結(jié)果表明，該算法可以處理較大的方向誤差，并且信噪比(SNR)在較大的范圍內(nèi)都可以得到比傳統(tǒng)方法更佳的性能。

發(fā)表于：1/5/2017

基于多變量符號(hào)轉(zhuǎn)移熵的心電信號(hào)研究[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

復(fù)雜度理論已成為研究生理電信號(hào)的熱點(diǎn)，而符號(hào)轉(zhuǎn)移熵是一種反映系統(tǒng)混亂程度的非線性指標(biāo)。文章在原有多變量轉(zhuǎn)移熵的基礎(chǔ)上提出了多變量符號(hào)轉(zhuǎn)移熵，對(duì)傳統(tǒng)時(shí)間序列靜態(tài)劃分方法做出了改進(jìn)，即將時(shí)間序列使用動(dòng)態(tài)自適應(yīng)分割的方式進(jìn)行符號(hào)化。應(yīng)用該算法對(duì)正常人和冠心病患者的心電信號(hào)進(jìn)行分析，在實(shí)驗(yàn)中選取最佳的導(dǎo)聯(lián)對(duì)，結(jié)果表明該算法能夠顯著區(qū)分正常人和冠心病患者，對(duì)原始心電時(shí)間序列疊加上高斯噪聲后依然可靠有效。

發(fā)表于：1/5/2017

基于改進(jìn)螢火蟲(chóng)算法的小波神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)方法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

傳統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)以梯度下降法訓(xùn)練網(wǎng)絡(luò)，而梯度下降法易導(dǎo)致網(wǎng)絡(luò)出現(xiàn)收斂早熟、陷入局部極小等問(wèn)題，影響網(wǎng)絡(luò)訓(xùn)練的精度。文章將螢火蟲(chóng)算法用于訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)，在全局內(nèi)搜尋網(wǎng)絡(luò)的最優(yōu)參數(shù)。為了提高螢火蟲(chóng)算法參數(shù)尋優(yōu)的能力，在訓(xùn)練過(guò)程中自適應(yīng)調(diào)節(jié)γ值。同時(shí)利用高斯變異來(lái)提高螢火蟲(chóng)個(gè)體的活性，在保證收斂速度的同時(shí)避免算法陷入局部極小。將優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)用于短期負(fù)荷預(yù)測(cè)，實(shí)驗(yàn)證明改進(jìn)后的預(yù)測(cè)模型非線性擬合能力較強(qiáng)、預(yù)測(cè)精度較高。

發(fā)表于：1/5/2017

基于SVM手繪太陽(yáng)黑子圖像背景提取方法[測(cè)試測(cè)量][航空航天]

手繪太陽(yáng)黑子圖像手寫(xiě)記錄信息對(duì)于研究太陽(yáng)黑子長(zhǎng)期活動(dòng)規(guī)律具有重要價(jià)值，而背景提取又是利用計(jì)算機(jī)手繪太陽(yáng)黑子信息數(shù)字化工作中的關(guān)鍵過(guò)程。文章提出一種基于支持向量機(jī)（Support Vector Machine ，SVM）的手繪太陽(yáng)黑子圖像信息背景提取方法，通過(guò)針對(duì)性地對(duì)每個(gè)像素樣本特征向量的監(jiān)督學(xué)習(xí)訓(xùn)練，從而實(shí)現(xiàn)背景像素與前景像素的分離，實(shí)驗(yàn)證明該方法具有很好的魯棒性，將此方法與傳統(tǒng)的K-means模糊劃分、模糊C均值（FCM）聚類方法進(jìn)行對(duì)比分析，證實(shí)該方法的應(yīng)用價(jià)值更高。

發(fā)表于：1/5/2017

基于改進(jìn)的FLICM的醫(yī)學(xué)圖像分割研究[其他][其他]

針對(duì)醫(yī)學(xué)圖像灰度分布模糊不確定、噪聲污染重等特點(diǎn)，提出了一種新的FLICM的改進(jìn)算法，以進(jìn)一步提高醫(yī)學(xué)圖像的分割精度和算法抗噪性。對(duì)FLICM算法嚴(yán)格按照梯度下降法推導(dǎo)獲得新的隸屬度和聚類中心表達(dá)式，然后設(shè)計(jì)一種充分利用像素的灰度信息和局部空間信息的FLICM改進(jìn)算法。相比于原FLICM算法的醫(yī)學(xué)圖像分割，其抗噪性能更強(qiáng)，分割精度更高。理論分析和實(shí)驗(yàn)測(cè)試結(jié)果表明，該改進(jìn)算法更適用于醫(yī)學(xué)臨床診斷。

發(fā)表于：1/5/2017

一種新的結(jié)合NSCT和PCNN的圖像融合方法[微波|射頻][其他]

考慮到小波變換存在一些局限性，提出一種把非下采樣Contourlet變換（NSCT）與脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）相結(jié)合的圖像融合新方法。用NSCT變換從多尺度和多方向上分解配準(zhǔn)后的原始圖像。低頻應(yīng)用改進(jìn)的邊緣能量結(jié)合空間頻率的融合方法；高頻應(yīng)用PCNN簡(jiǎn)化數(shù)學(xué)模型，其鏈接強(qiáng)度用改進(jìn)的拉普拉斯能量和表示。并且選擇點(diǎn)火映射圖的點(diǎn)火次數(shù)與其標(biāo)準(zhǔn)差相結(jié)合的方法。最后經(jīng)過(guò)NSCT逆變換得出融合圖像。實(shí)驗(yàn)分析可知，與其他幾種圖像融合方法進(jìn)行比較，新方法取得了更高質(zhì)量的融合圖像。

發(fā)表于：1/5/2017

基于稀疏排列的LPP和ELM的人臉識(shí)別[測(cè)試測(cè)量][其他]

人臉圖像識(shí)別中人臉圖像數(shù)據(jù)中有很多是稀疏的，對(duì)于稀疏數(shù)據(jù)的降維是流形學(xué)習(xí)算法面臨的一個(gè)問(wèn)題。為了有效地從高維圖像數(shù)據(jù)中提取人臉圖像的敏感信息，提高人臉識(shí)別的速度，文章提出了一種基于流形學(xué)習(xí)的有監(jiān)督稀疏排列的局部保持投影算法(SSLPP)的極端學(xué)習(xí)機(jī)(ELM)。

發(fā)表于：1/5/2017

工業(yè)智能網(wǎng)關(guān)在電力運(yùn)維系統(tǒng)中的應(yīng)用[通信與網(wǎng)絡(luò)][智能電網(wǎng)]

廈門(mén)物通博聯(lián)基于WEB的配電房遠(yuǎn)程監(jiān)控運(yùn)維管理系統(tǒng)，系統(tǒng)由站、云、端三部分核心組成，幾個(gè)核心部分通過(guò)穿透云管道實(shí)時(shí)、安全的完成信息的上送與下發(fā)。

發(fā)表于：1/5/2017