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.     

以磁场为控制场的量子比特系统量子态的最优制备

针对以磁场为控制场的电子自旋量子比特系统,结合量子门实现量子态幺正演化的量子态调控机制,提出了一种量子比特系统任意量子态的最优制备策略。建立了该量子比特系统及其控制场的模型,借助李群李代数,由经典最优控制的思想来获得最优控制,从而实现了电子自旋量子系统任意量子态的最优制备。理论分析与仿真实验显示了该策略的优越性。     

基于量子层析的量子态测量方案及其仿真

为解决量子态信息获取问题,基于量子层析理论,深入分析了单量子比特和多量子比特的层析理论,设计了利用量子态层析进行量子态测量的实验方案,并通过计算机仿真技术对单量子比特层析实验进行了模拟．在理论分析和仿真实验的基础上得到如下结论：通过适当选取测量次数,量子层析技术可以较为精确地重构量子态密度矩阵,获取量子态信息,同时可以兼顾实验效率．     

一种基于正弦波电压空间矢量的新型软起动器

针对目前软起动器存在着起动电流大、起动转矩低的缺点,研制了一种基于正弦波电压空问矢量的软起动器。该新型软起动器采用传统的三组反并联晶闸管作为主电路结构,构成三相异步电动机软起动控制器,将变频调速控制中的电压空间矢量引入正弦波电压空间矢量的新型软起动中,提出了电压空间矢量软起动技术的新控制算法。将该软起动器与传统的斜坡升压软起动效果进行了比较,实验结果表明:基于正弦波电压空间矢量的软起动器可起动带有一定负载或较大惯性负载的电动机,而且电流保持在较小的值。     

基于条件随机场和图像分割的显著性检测

针对当前常见的显著性方法检测得到的显著性区域边界稀疏不明确、内部不均匀致密等问题,提出了一种基于条件随机场(Condition random field, CRF)和图像分割的显著性检测方法.该方法综合利用边界信息、局部信息以及全局信息,从图像中提取出多种显著性特征;在条件随机场框架下融合这些特征,通过显著性区域与背景区域的区域标注实现显著性区域的粗糙检测;结合区域标注结果和交互式图像分割方法实现显著性区域的精确检测.实验结果表明本文提出的方法能够清晰而准确地提取出图像中的显著性区域,有效提高显著性检测精度.     

基于恒定磁场的电子白旋量子比特系统任意量子态的最优制备

借助单量子位的Bloch球面表示,结合量子门实现量子态幺正演化的量子态调控机制,以恒定磁场为控制场,引入开关控制思想,提出了一种针对电子自旋量子系统任意量子态的最优制备策略．建立了量子系统及控制场的模型,并借助李群李代数,由经典最优控制的思想,获得任意量子态的最优制备．理论分析与仿真实验说明了该策略的优越性．     

磁场控制下的电子自旋量子系统参数辨识

了解量子控制系统的性能参数是设计精确控制器的基础. 为解决这一问题, 本文基于量子过程层析, 提出了辨识量子控制系统参数的方法, 设计了以电子自旋磁场控制系统为对象的具体实验方案, 并利用计算机仿真技术对其进行了模拟. 仿真结果表明, 辨识得到的量子控制系统参数与理论值较为吻合, 达到了预定的准确度指标. 结合理论分析和仿真结果可知, 利用量子过程层析可以有效实现量子控制系统的参数辨识.     

基于支持向量机的目标检测算法综述

目标检测的目的在于从静态图片或视频中检测并定位设定种类的目标物体, 已有研究大都将目标检测问题简化为一个二分类问题. 鉴于支持向量机在模式识别领域尤其是解决二分类问题中所表现出来的优越性, 如何将其应用于目标检测已成为当今计算机视觉领域关注的重点. 对此, 从支持向量机原理、目标特征模型构建、学习训练和目标检测框确定等角度, 综述了基于支持向量机的目标检测算法的研究现状, 并就进一步的发展进行了展望.     

量子传感器

量子系统状态的检测与经典控制中的检测技术有着显著区别,它需要量子传感器来完成.量子传感器是根据量子力学规律、利用量子效应设计的、用于执行对系统被测量进行变换的物理装置.在讨论了量子态测量问题的基础上,对量子传感器的概念进行了系统阐述,介绍了超导量子干涉装置(SQUID)传感器和量子霍尔传感器,从非破坏性、实时性、灵敏性、稳定性和多功能性等方面分析了量子传感器的性能要求.     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.