花状TeO_2微/纳米结构的制备及Raman光谱研究

以Bi_2Te_3粉末为原料,采用热蒸发的方法成功制备出花状TeO_2微/纳米结构。利用扫描电子显微镜(SEM)对合成产物的形貌进行表征,结果显示样品的微/纳米结构是由大量微/纳米片堆叠成的花状团簇。通过EDS发现,样品由Te和O两种元素组成。利用激光共聚焦拉曼光谱仪对合成产物的Raman光谱进行表征,结果显示合成产物的光谱与TeO_2晶体一致,并且随着热蒸发温度的升高,拉曼谱峰的峰值越高,特征峰越锐利,在硅片上制备出的产物的结晶度越好。     

微小型越障机器人SMA驱动器的原理及应用

介绍了机器人部件ＳＭＡ元件的应用背景、性能和驱动方式，以及基于对小阻值电阻精密测量的电阻反馈式控制手段。通过这一手段，系统可在ＳＭＡ驱动中获得较快的响应和较理想的稳态精度。     

计算机网络技术在医院信息化建设中的应用

随着我国社会经济的发展,为医疗卫生事业创造了良好的发展环境,同时也对医疗卫生事业提出了更高的要求。在这样的环境下,医疗卫生事业的改革势在必行。计算机网络技术的发展,为我国医疗卫生事业的改革带来了客观条件,计算及网络技术应用于医院的信息化建设已经成为了一种必然的趋势。本文主要介绍了在新经济环境下,计算机网络技术在医院信息化建设中的应用,希望对相关的单位有所帮助。     

变步长LMS算法的超宽带Rake接收机设计

在无线通信中,超宽带接收机的抗干扰性是接收系统的重要技术,而误码率是抗干扰性重要的评价指标;为了提高超宽带接收机的接收性能和抗干扰能力,设计了变步长LMS算法的超宽带Rake接收机;通过建立系统模型,分析LMS算法基本原理且提出改进思路,将改进的变步长LMS算法应用于Rake接收机,进行建模仿真;结果显示变步长LMS算法的Rake接收机接收性能提高,误码率迅速降低到10-1,有效改善了接收机抗干扰能力。     

图形处理器片段处理单元的设计与实现

针对图形处理器三维引擎中对图形的后期处理需求,实现片段写入帧缓冲区前的测试、混合、逻辑操作、累积、清除和屏蔽等关键功能。分析并提取了OpenGL核心库中的片段处理相关函数,确定了片段处理单元要实现的功能;合理安排多个片段处理功能的执行顺序,设计了基于流水线的片段处理单元结构;采用Verilog HDL对电路进行描述,采用 Cadence NC-Verilog 仿真工具进行虚拟验证,采用 Xilinx 的 ISE 工具进行综合,并在 Xilinx Virtex6 XC6VLX760 FPGA上进行原型验证,电路工作频率可以达到180 MHz,测试功能正确。在SMIC 65 nm CMOS工艺下,采用Synopsys Design-Compiler对设计进行综合,电路工作频率达到300 MHz,满足设计需求。     

基于局域波分解的大系统派生模态降维研究

文章分析了当前以平衡与截裁为代表的大系统降维理论,鉴于其内容不尽完善,因此基于系统运动模态的特征,在科技与哲理的辩证分析基础上,建立了大系统派生模态理论和组合降维模型。对于工程实际中的系统响应曲线,提出了基于局域波分解的大系统派生模态提取策略实现系统降维。仿真结果表明,基于模态和图形的协同算法应用简便,并可获得较高精度的降维模型。     

基于EEG的驾驶持续性注意水平PSO-SVM识别模型

为了对驾驶持续性注意水平予以有效识别,基于脑电( EEG)信号特征指标构建了一种持续性注意水平识别方法. 以驾驶行为绩效为客观测评指标,提出了一种驾驶持续性注意水平等级划分方法. 在此基础上,选取驾驶员EEG波段 (θ(4~8 Hz)、α(8~13 Hz)、β(13~30 Hz))的频谱幅值及其组合指标(α+β)/β、α/β、(θ+α)/(α+β)、θ/β、(α+β)/θ作为特征指标,将粒子群优化( PSO)算法与支持向量机( SVM)相结合,构建了驾驶持续性注意水平识别算法. 最后,基于驾驶模拟器实验数据对该模型予以试算. 结果表明模型识别平均正确率可达93. 02℅.该方法可用于对驾驶员持续性注意水平的识别.     

在动态水环境中基于熵的无线传感器网络路由算法

随着人们对水环境的日益关注以及无线传感器网络技术的成熟,如何使用无线传感网络对水环境进行监控成为一项重大课题。该文在动态水环境中,基于正方体网格剖分思想提出了一种以熵为尺度来衡量路径稳定性的QoS路由算法(EWSQoS),该算法使用正方体网格对信息收集区域进行剖分,再在此基础上寻找到达Sink节点的最短网格,最后利用“熵”来选择路由,减少了重建路由(或路由修复)的次数,在网络拓扑频繁变化的环境中尽可能地提供QoS保证。经仿真实验与性能分析表明,EWSQOS算法与Long-term、DBR、DTN等算法比较,在路由重建次数、路由成功率、网络能耗、网络延时方面具有更优性能。     

贝叶斯先验约束下的混合判别方法

在有限样本下判别模型对训练样本敏感,易导致分类器学习结果泛化性能较弱,产生过拟合现象.针对上述问题,提出一种贝叶斯先验约束下的混合判别方法.通过在判别计算中引入生成先验分析,构建生成与判别模型在决策层的混合求解框架.该方法采用不同质分类器进行分类预测,并通过定义有效的融合机制进行样本筛选和标签决策,自动扩展训练集以更新模型,弥补训练样本信息的不完全性.有限样本下的场景分类实验结果表明,相比经典算法,该模型能够挖掘出具有高度判别特性的样本,从而进行有效的模型更新,纠正前期由于样本分布不均而导致的错分样本标签,提升场景分类精度.     

时空运动显著性的目标跟踪

目的 在目标跟踪过程中,运动信息可以预测目标位置,忽视目标的运动信息或者对其运动方式的建模与实际差异较大,均可能导致跟踪失败。针对此问题,考虑到视觉显著性具有将注意快速指向感兴趣目标的特点,将其引入目标跟踪中,提出一种基于时空运动显著性的目标跟踪算法。方法 首先,依据大脑视皮层对运动信息的层次处理机制,建立一种自底向上的时空运动显著性计算模型,即通过3D时空滤波器完成对运动信号的底层编码、最大化汇集算子完成运动特征的局部编码;利用视频前后帧之间的时间关联性,通过时空运动特征的差分完成运动信息的显著性度量,形成时空运动显著图。其次,在粒子滤波基本框架之下,将时空运动显著图与颜色直方图相结合,来衡量不同预测状态与观测状态之间的相关性,从而确定目标的状态,实现目标跟踪。结果 与其他跟踪方法相比,本文方法能够提高目标跟踪的中心位置误差、精度和成功率等指标;在光照变化、背景杂乱、运动模糊、部分遮挡及形变等干扰因素下,仍能够稳定地跟踪目标。此外,将时空运动显著性融入其他跟踪方法,能够改善跟踪效果,进一步验证了运动显著性对于运动目标跟踪的有效性。结论 时空运动显著性可以有效度量目标的运动信息,增强运动显著的目标区域,抑制干扰区域,从而提升跟踪性能。