三能级原子系统中量子态相干保持的控制策略

研究光与物质的相互作用并利用其性质设计新型的量子器件,以实现光信息存储及其消相干抑制.分析了以单色激光场为控制场的∧型三能级原子系统的主方程模型,借助于无消相干子空间的构造方法,通过改变耦合激光场Rabi频率的方式,设计了实现系统中量子态相干保持的控制策略.

     

智能模拟之定性定量仿真的发展

本文主要介绍在定性定量仿真方面发展相对成熟的一些研究成果, 并重点介绍了灰色定性仿真理论及其在故障诊断方面的应用。     

基于充电方式的锂电池SOC 校准和估计方法

荷电状态(SOC)是动力锂电池的重要参数.针对安时法估计锂电池SOC存在累积误差,其他估计算法复杂度较高的问题,提出一种工程实用的SOC估计方法.该方法通过分析电池特性并结合安时法,建立了SOC初始值、总容量和累积误差的校准方法.通过建立终端电压与SOC之间的映射关系,利用恒流、恒压不同充电阶段的电池特性,实现了电池系统在一个放电周期内的SOC高精度估计.实验表明,该方法能够使得SOC的估计误差在5%以内.     

并联冗余DC-DC模块蓄电池充电均流方法

并联冗余是应用于风光互补独立供电系统的DC-DC变换器满足高可靠性要求的关键,而均流技术是并联冗余的关键,现有的均流方法无法同时满足并联冗余和蓄电池充电要求。本文在分析并联DC-DC模块蓄电池充电特性的基础上提出了一种实现并联DC-DC变换器瞬时均流的新控制方法。该方法基于平均电流法原理,通过单片机A/D口检测蓄电池充电电压和各并联DC-DC模块充电电流,判断蓄电池状态,自适应调整各模块PWM信号占空比实现均流和充电控制。文中根据理论模型进行了仿真,并构建实际系统进行了实验,仿真和实验结果表明,此方法能够同时满足DC-DC变换器并联冗余和蓄电池三段式充电的要求,验证了方法的有效性。     

一种基于多超声波信息精确建立环境模型的新方法

提出了一种新的基于超声波信息的建模方法,通过分析相邻多个超声波传感器测量数据间的相互关系以及环境特征的相关信息,用线段匹配实现对探测环境的建模． 经仿真和实验验证,此方法可以很好地识别墙壁、拐角和缺口等环境特征,具有建模准确、实时性强的特点．     

环境因素对多自主移动机器人系统的影响研究

基于行为的多自主移动机器人所处的环境因素总是对其系统性能造成一定的影响。本文针对典型的群体觅食任务,以计算机仿真为手段,研究目标物数量、障碍物数量、搜索区域大小和机器人数目对其系统性能的影响。仿真实验结果表明搜索区域内的目标物数量越多,障碍物数量越少,系统性能越高;而搜索区域大小和机器人数目增加到某一定值时,系统性能开始下降。     

决策系统的相对正域求解

经典的粗集理论给出了用不可分辨类的思想求解系统必要条件的方法,相对正域求解是其中一种,但是它涉及到粗集理论中许多抽象的定义,考虑编程实现的原因,在许多文献中采用了不可分辨矩阵的方法求必要条件。但笔者充分利用MATLAB语言的优点,首先改造了原有决策系统,使之适合于MATLAB语言处理,然后给出了粗集理论中不可分辨类和下近似集两个重要概念的自定义函数Indiscem．m和LowerApproximate．m,用相对正域的方法(poscd．m)求解出系统的必要条件。     

基于循环卷积神经网络的单目视觉里程计

提出了一种基于卷积长短期记忆(LSTM)网络和卷积神经网络(CNN)的单目视觉里程计方法,命名为LSTMVO(LSTM visual odometry).LSTMVO采用无监督的端到端深度学习框架,对单目相机的6-DoF位姿以及场景深度进行同步估计.整个网络框架包含位姿估计网络以及深度估计网络,其中位姿估计网络是以端到端方式实现单目位姿估计的深度循环卷积神经网络(RCNN),由基于卷积神经网络的特征提取和基于循环神经网络(RNN)的时序建模组成,深度估计网络主要基于编码器和解码器架构生成稠密的深度图.同时本文还提出了一种新的损失函数进行网络训练,该损失函数由图像序列之间的时序损失、深度平滑度损失和前后一致性损失组成.基于KITTI数据集的实验结果表明,通过在原始单目RGB图像上进行训练,LSTMVO在位姿估计精度以及深度估计精度方面优于现有的主流单目视觉里程计方法,验证了本文提出的深度学习框架的有效性.     

基于INTERBUS总线的智能楼宇控制系统

本文提出了基于INTERBUS总线结构的楼宇控制系统。对于楼宇系统关键组成部分——变风量空调系统(VAV),采用了串级控制等过程控制方法,实现了对大空间范围内温度的快速调节。     

基于改进FLN的短期电力负荷预测算法

短期电力负荷的预测对电力系统具有重要的意义.利用剪枝和附加动量法对标准函数连接神经网络(FLN)进行改进,并将电力负荷的机理和先验知识有机融入,构成了改进的FLN预测网络.对安徽电网电力总负荷的实际预测结果证明了该算法的有效性和优越性.