亚洲一区二区三区精品国产,国内精品久久久久伊人aⅴ

一種最大效率恒壓輸出無(wú)線(xiàn)供能控制技術(shù)研究[電源技術(shù)][汽車(chē)電子]

針對(duì)無(wú)線(xiàn)電能傳輸技術(shù)中的恒壓輸出和最大效率問(wèn)題，提出了一種基于能量注入的移相恒壓控制無(wú)線(xiàn)電能傳輸技術(shù)。首先通過(guò)電路分析得到系統(tǒng)電壓增益和傳輸效率等特性函數(shù)，在此基礎(chǔ)上設(shè)計(jì)了一種新型控制方法，通過(guò)改變逆變器的能量注入占空比和移相角，實(shí)現(xiàn)在負(fù)載變化時(shí)系統(tǒng)的最大效率和恒壓輸出。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提方法的可行性和理論分析的正確性，在整個(gè)負(fù)載變化范圍內(nèi)，采用能量注入的移相恒壓控制方法時(shí)整機(jī)效率比常見(jiàn)的移相恒壓控制方法提高3%~10%，滿(mǎn)載時(shí)整機(jī)效率達(dá)到89%。

發(fā)表于：4/24/2020 3:00:00 PM

基于肌電信號(hào)稀疏特征的手勢(shì)識(shí)別方法研究[模擬設(shè)計(jì)][工業(yè)自動(dòng)化]

基于表面肌電信號(hào)(sEMG)的手勢(shì)識(shí)別技術(shù)是人機(jī)自然交互領(lǐng)域的重要研究方向。手勢(shì)識(shí)別技術(shù)的實(shí)現(xiàn)關(guān)鍵在于如何提取sEMG信號(hào)的有效特征。提出了一種提取sEMG信號(hào)稀疏特征用于多類(lèi)手勢(shì)識(shí)別的有效方法。該方法以稀疏表示作為特征提取工具，以支持向量機(jī)(SVM)作為分類(lèi)器對(duì)多個(gè)手勢(shì)進(jìn)行識(shí)別。首先，采用雙閾值法檢測(cè)分割出手勢(shì)動(dòng)作的活動(dòng)段；其次隨機(jī)抽取部分運(yùn)動(dòng)段樣本初始化稀疏表示詞典，利用KSVD方法對(duì)過(guò)完備字典和稀疏系數(shù)進(jìn)行無(wú)監(jiān)督更新;最后，利用SVM對(duì)稀疏系數(shù)特征向量進(jìn)行分類(lèi)以實(shí)現(xiàn)對(duì)不同手勢(shì)的識(shí)別。通過(guò)在公開(kāi)數(shù)據(jù)庫(kù)和自有數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)測(cè)試，結(jié)果表明結(jié)合稀疏特征和SVM分類(lèi)方法可實(shí)現(xiàn)16種手勢(shì)平均識(shí)別準(zhǔn)確率達(dá)到98.4%。

發(fā)表于：4/24/2020 2:24:00 PM

基于狀態(tài)增廣的修正迭代擴(kuò)展卡爾曼濾波[嵌入式技術(shù)][其他]

針對(duì)修正迭代擴(kuò)展卡爾曼濾波一次迭代后系統(tǒng)狀態(tài)和估計(jì)狀態(tài)不與測(cè)量噪聲之間保持相互獨(dú)立的問(wèn)題，將測(cè)量噪聲增廣到狀態(tài)變量中，提出了基于狀態(tài)增廣的修正迭代擴(kuò)展卡爾曼濾波。然后將該濾波方法應(yīng)用到基于雷達(dá)測(cè)量的再入飛行器目標(biāo)跟蹤問(wèn)題中，仿真結(jié)果表明：與修正迭代擴(kuò)展卡爾曼濾波和傳統(tǒng)的擴(kuò)展卡爾曼濾波相比，該濾波方法具有更快的收斂速度和更優(yōu)的估計(jì)精度。

發(fā)表于：4/23/2020 3:34:00 PM

VPx幀內(nèi)壓縮的快速算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

針對(duì)VPx視頻的幀內(nèi)壓縮處理復(fù)雜度高的問(wèn)題，給出一種快速算法。該方法首先根據(jù)圖像中亮度子塊在宏塊中的空間位置確定最鄰近子塊，再通過(guò)最鄰近子塊的最佳預(yù)測(cè)模式、子塊重構(gòu)和率失真比較判斷當(dāng)前子塊的可能預(yù)測(cè)模式，并結(jié)合率失真閾值得到用于該子塊幀內(nèi)壓縮的最終預(yù)測(cè)模式。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效地減少VPx幀內(nèi)壓縮中由重構(gòu)處理帶來(lái)的包括頻域變換、量化、反量化、頻域反變換的大量運(yùn)算，從而在保證壓縮質(zhì)量的情況下，提高幀內(nèi)壓縮速度。

發(fā)表于：4/23/2020 3:19:00 PM

采用矩陣遞歸的最小測(cè)試用例集生成算法[測(cè)試測(cè)量][航空航天]

符合MC/DC準(zhǔn)則的最小測(cè)試用例集算法具有重要的實(shí)用價(jià)值。首先將布爾表達(dá)式轉(zhuǎn)換為語(yǔ)法二叉樹(shù)，然后采用矩陣組合邏輯運(yùn)算方法逐層遞歸，從而獲得完備的MC/DC最小測(cè)試用例集。經(jīng)驗(yàn)證，矩陣組合邏輯運(yùn)算方法是合理的、正確的。該方法對(duì)于非平凡布爾表達(dá)式可快速獲取完備的MC/DC最小測(cè)試用例集，同時(shí)也可以處理帶耦合條件的復(fù)雜布爾表達(dá)式。

發(fā)表于：4/22/2020 11:22:00 AM

基于CNN-LSTM的太陽(yáng)能光伏組件故障診斷研究[電源技術(shù)][智能電網(wǎng)]

太陽(yáng)能光伏產(chǎn)業(yè)近年發(fā)展迅速，準(zhǔn)確診斷光伏組件故障位置及類(lèi)型可以提升運(yùn)維人員的工作效率。提出一種基于卷積神經(jīng)網(wǎng)絡(luò)-長(zhǎng)短期記憶模型(Convolutional Neural Networks-Long Short Term Memory，CNN-LSTM)的深度學(xué)習(xí)診斷模型，利用電站原有設(shè)備就可完成檢測(cè)任務(wù)。首先提出了一種依據(jù)電流值的組件故障分類(lèi)方式；然后，檢測(cè)模型根據(jù)光伏陣列布局特點(diǎn)設(shè)計(jì)了一種特征提取算法，分別提取光伏陣列電流橫向與縱向特征，來(lái)獲取空間與時(shí)間上的特性；再通過(guò)CNN網(wǎng)絡(luò)來(lái)對(duì)橫向特征做進(jìn)一步的提取與縱向特征的壓縮，以解決特征種類(lèi)單一及訓(xùn)練緩慢的問(wèn)題；最終進(jìn)入LSTM神經(jīng)網(wǎng)絡(luò)來(lái)完成對(duì)光伏組件的故障診斷。

發(fā)表于：4/22/2020 10:59:00 AM

一種改進(jìn)的粒子濾波檢測(cè)前跟蹤算法[測(cè)試測(cè)量][工業(yè)自動(dòng)化]

針對(duì)多個(gè)信噪比相差較大時(shí)容易發(fā)生的目標(biāo)漏檢問(wèn)題，提出了一種改進(jìn)的多目標(biāo)雙層粒子濾波檢測(cè)前跟蹤算法(IM-PF-TBD)。算法采用雙層粒子濾波結(jié)構(gòu)，在目標(biāo)檢測(cè)層中，采用錦標(biāo)賽選擇方法對(duì)檢測(cè)粒子群進(jìn)行重采樣，選取多個(gè)權(quán)重相差較大的粒子，通過(guò)粒子聚類(lèi)同時(shí)檢測(cè)多個(gè)目標(biāo)，提高了檢測(cè)初期較弱目標(biāo)的存在概率。此外，算法提出了粒子群融合方法用于新發(fā)現(xiàn)目標(biāo)的驗(yàn)證，便于目標(biāo)檢測(cè)后虛假目標(biāo)的剔除。仿真結(jié)果表明，所提算法能有效改善信噪比較小的目標(biāo)的檢測(cè)概率并降低目標(biāo)RMSE。

發(fā)表于：4/21/2020 3:00:00 PM

密閉立方體爆炸沖擊波數(shù)值模擬分析[測(cè)試測(cè)量][其他]

針對(duì)爆炸沖擊波對(duì)密閉立方體結(jié)構(gòu)的毀傷效果展開(kāi)研究，在自由場(chǎng)爆炸沖擊波理論的基礎(chǔ)上，分析了密閉立方體內(nèi)爆炸沖擊波的傳播規(guī)律及特性，并推算出傳導(dǎo)公式；通過(guò)采用對(duì)立方體模型的特征點(diǎn)進(jìn)行理論計(jì)算和LS-DYNA有限元分析軟件數(shù)值模擬仿真的方法，對(duì)比了不同測(cè)點(diǎn)的首個(gè)沖擊波超壓的理論計(jì)算值和數(shù)值模擬仿真值。結(jié)果表明，在密閉立方體內(nèi)3個(gè)特征測(cè)點(diǎn)仿真值均與理論計(jì)算值相符，可為實(shí)際測(cè)量時(shí)傳感器的選型與測(cè)點(diǎn)的布置提供理論參考依據(jù)。

發(fā)表于：4/21/2020 1:58:00 PM

基于電磁感應(yīng)式的無(wú)線(xiàn)充電傳輸系統(tǒng)設(shè)計(jì)與仿真[測(cè)試測(cè)量][汽車(chē)電子]

針對(duì)當(dāng)前有線(xiàn)充電方式布線(xiàn)復(fù)雜、缺少靈活性等缺點(diǎn)，以電動(dòng)自行車(chē)為例，設(shè)計(jì)了一種基于電磁感應(yīng)式的無(wú)線(xiàn)充電傳輸系統(tǒng)，分別對(duì)電磁和電路兩部分進(jìn)行研究，設(shè)計(jì)了無(wú)線(xiàn)充電傳輸系統(tǒng)線(xiàn)圈模型，并成功地制造了線(xiàn)圈。利用ANSYS Maxwell軟件對(duì)設(shè)計(jì)線(xiàn)圈進(jìn)行了仿真，得到了線(xiàn)圈之間的電感系數(shù)、互感系數(shù)和耦合系數(shù)，仿真結(jié)果驗(yàn)證了設(shè)計(jì)系統(tǒng)的可行性。

發(fā)表于：4/20/2020 10:43:00 AM

基于Q-學(xué)習(xí)算法的有狀態(tài)網(wǎng)絡(luò)協(xié)議模糊測(cè)試方法研究[測(cè)試測(cè)量][信息安全]

現(xiàn)有的有狀態(tài)網(wǎng)絡(luò)協(xié)議模糊測(cè)試技術(shù)在測(cè)試時(shí)，輔助類(lèi)型報(bào)文重復(fù)交互，測(cè)試效率低，且為確保測(cè)試用例有效性，僅向協(xié)議實(shí)體輸入報(bào)文類(lèi)型與被測(cè)狀態(tài)相對(duì)應(yīng)的測(cè)試用例，導(dǎo)致無(wú)法發(fā)現(xiàn)由報(bào)文異常輸入順序所引出的協(xié)議缺陷。針對(duì)這些問(wèn)題，基于Q-學(xué)習(xí)算法設(shè)計(jì)出一種有狀態(tài)網(wǎng)絡(luò)協(xié)議模糊測(cè)試方法，不需要引導(dǎo)狀態(tài)的輔助報(bào)文，且能在確保一定的測(cè)試用例有效性前提下，進(jìn)行報(bào)文異常輸入順序測(cè)試。實(shí)驗(yàn)結(jié)果表明，所提出的模糊測(cè)試方法可以顯著提高測(cè)試效率和漏洞挖掘能力。

發(fā)表于：4/20/2020 10:20:00 AM