123,123,123

被動(dòng)同心轉(zhuǎn)向式多履帶全向移動(dòng)機(jī)器人設(shè)計(jì)[嵌入式技術(shù)][工業(yè)自動(dòng)化]

采用四組被動(dòng)同心轉(zhuǎn)向結(jié)構(gòu)的履帶單元，設(shè)計(jì)了一種多履帶式全向移動(dòng)機(jī)器人，該機(jī)器人不僅具有全向移動(dòng)的能力，也具備運(yùn)行平穩(wěn)、載重能力強(qiáng)等特點(diǎn)。機(jī)器人使用ST Nucleo-F446RE開發(fā)板為控制器，采用旋轉(zhuǎn)電位器測(cè)量每組履帶單元的偏轉(zhuǎn)角度，通過電機(jī)驅(qū)動(dòng)器獨(dú)立控制8個(gè)履帶運(yùn)動(dòng)，從而實(shí)現(xiàn)機(jī)器人的全向移動(dòng)。實(shí)驗(yàn)采集了各個(gè)履帶的運(yùn)動(dòng)速度和每組履帶單元的偏轉(zhuǎn)角度，通過航位推測(cè)法計(jì)算機(jī)器人在兩種運(yùn)動(dòng)中的軌跡，驗(yàn)證了機(jī)器人的全向移動(dòng)能力。

發(fā)表于：2018/3/13 13:13:00

CT影像中毛玻璃型肺結(jié)節(jié)提取方法的研究[嵌入式技術(shù)][醫(yī)療電子]

毛玻璃(GGO)型肺結(jié)節(jié)目前研究的比較少，但其惡性可能性也比較大。針對(duì)GGO型結(jié)節(jié)的對(duì)比度較血管和實(shí)體型結(jié)節(jié)的對(duì)比度低，直接使用閾值法不能很好地提取GGO型肺結(jié)節(jié)，直接使用多尺度圓點(diǎn)濾波器不能提取非球形形狀的GGO型肺結(jié)節(jié)的問題，提出了一種基于形狀特征和濾波器增強(qiáng)的閾值法相結(jié)合的方法來提取GGO型結(jié)節(jié)。首先使用形狀指數(shù)方法提取具有全部或部分球形結(jié)構(gòu)的GGO型結(jié)節(jié)，然后對(duì)剔除了血管、球形結(jié)構(gòu)結(jié)節(jié)的圖像應(yīng)用濾波增強(qiáng)法來拉伸毛玻璃結(jié)節(jié)和肺實(shí)質(zhì)的對(duì)比度，利用閾值方法提取不具有球形結(jié)構(gòu)的毛玻璃結(jié)節(jié)。為了提高檢測(cè)的準(zhǔn)確率，對(duì)肺結(jié)節(jié)的特征進(jìn)行提取與分類，并選擇最佳特征組合，放入支持向量機(jī)分類器提取更精確的肺結(jié)節(jié)，并對(duì)算法進(jìn)行評(píng)估和對(duì)比。實(shí)驗(yàn)結(jié)果表明，該方法能有效降低GGO型肺結(jié)節(jié)的漏檢率，提高檢測(cè)的敏感性、特異性，優(yōu)于現(xiàn)有的兩種方法。

發(fā)表于：2018/3/12 10:30:00

基于Cortex-A53平臺(tái)的激光雷達(dá)SLAM實(shí)現(xiàn)[嵌入式技術(shù)][航空航天]

針對(duì)移動(dòng)機(jī)器人實(shí)現(xiàn)同時(shí)定位與地圖構(gòu)建（SLAM）的高硬件成本問題，提出了在Cortex-A53處理器平臺(tái)上實(shí)現(xiàn)激光雷達(dá)SLAM的方法。完成了Cortex-A53處理器平臺(tái)上軟件平臺(tái)的構(gòu)建，并結(jié)合激光雷達(dá)采集的數(shù)據(jù)實(shí)現(xiàn)了SLAM，對(duì)相關(guān)程序進(jìn)行了優(yōu)化使得處理器的性能滿足程序的運(yùn)算量。實(shí)踐結(jié)果證明，在Cortex-A53處理器平臺(tái)上可以構(gòu)建較高精度的地圖以及實(shí)現(xiàn)室內(nèi)環(huán)境下的導(dǎo)航、避障，從而降低了移動(dòng)機(jī)器人實(shí)現(xiàn)SLAM的硬件成本。

發(fā)表于：2018/3/12 10:21:00

基于FEKO軟件的目標(biāo)RCS計(jì)算及數(shù)據(jù)分析[嵌入式技術(shù)][航空航天]

雷達(dá)工程師通常需要計(jì)算和分析目標(biāo)的雷達(dá)散射截面（RCS）數(shù)據(jù)，通過RCS的一維概率密度函數(shù)及二維密度分布圖來分析目標(biāo)的隱身特性。另外，通過雷達(dá)對(duì)目標(biāo)的掃描角度旋轉(zhuǎn)及入射平面波頻率變化獲得的RCS數(shù)據(jù)，通過二維逆傅里葉變換可獲得目標(biāo)的逆合成孔徑雷達(dá)成像。FEKO是一款三維電磁場(chǎng)分析軟件，給出了基于FEKO軟件計(jì)算目標(biāo)的RCS，并利用軟件的Lua腳本語(yǔ)言分析目標(biāo)RCS一維概率密度函數(shù)、RCS二維密度分布及逆合成孔徑雷達(dá)成像技術(shù)。

發(fā)表于：2018/3/9 15:23:00

一種基于PCNN的電力設(shè)備故障區(qū)域提取方法[電源技術(shù)][智能電網(wǎng)]

針對(duì)紅外自動(dòng)監(jiān)控電力設(shè)備是否存在故障問題，結(jié)合脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)同步點(diǎn)火特性，提出一種基于PCNN的紅外圖像感興趣區(qū)域提取方法。首先針對(duì)原始的動(dòng)態(tài)閾值振蕩問題，采用神經(jīng)元點(diǎn)火信息構(gòu)建新的動(dòng)態(tài)閾值，并建立連接系數(shù)與點(diǎn)火區(qū)域信息之間的內(nèi)在關(guān)系,從而使得神經(jīng)元自適應(yīng)地發(fā)生點(diǎn)火。為了進(jìn)一步確保每一次迭代中所捕獲的神經(jīng)元與點(diǎn)火區(qū)域的相似性，在模型框架內(nèi)融合了一種聚類規(guī)則，進(jìn)而有效更新動(dòng)態(tài)閾值，并給出了停止迭代的方法。實(shí)驗(yàn)表明，該提取區(qū)域方法性能優(yōu)于傳統(tǒng)閾值、normalized cuts以及經(jīng)典PCNN模型等方法。

發(fā)表于：2018/3/9 14:52:00

一種D2D通信中利用社交屬性進(jìn)行分組轉(zhuǎn)發(fā)的策略[通信與網(wǎng)絡(luò)][汽車電子]

利用終端直連（D2D）技術(shù)進(jìn)行分組轉(zhuǎn)發(fā)的策略雖然能夠提升蜂窩整體性能，但也同時(shí)存在安全性和有效性較差的問題，而社交屬性的加入將有助于這些問題的改善。因此，提出一種利用社交屬性的D2D分組轉(zhuǎn)發(fā)策略，加入社交屬性的同時(shí)利用中餐館（CRP）算法進(jìn)行分組。仿真表明，該策略可以在考慮安全性的同時(shí)提升頻譜效率，減輕基站負(fù)載。

發(fā)表于：2018/3/8 9:33:00

基于神經(jīng)網(wǎng)絡(luò)的含噪動(dòng)態(tài)源分離算法[通信與網(wǎng)絡(luò)][其他]

針對(duì)含噪聲且源信號(hào)數(shù)目動(dòng)態(tài)變化條件下的混合信號(hào)分離問題進(jìn)行了研究，提出了一種新型在線盲源分離算法，該算法包括兩部分：一是基于最小描述長(zhǎng)度(MDL)的動(dòng)態(tài)源數(shù)目估計(jì)算法，該算法能實(shí)時(shí)精確地估計(jì)出瞬時(shí)源數(shù)目；另一個(gè)是基于偏差去除的變步長(zhǎng)神經(jīng)網(wǎng)絡(luò)算法，該算法采用前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在學(xué)習(xí)準(zhǔn)則中加入了相應(yīng)于噪聲的偏差去除項(xiàng)，并在此基礎(chǔ)上給出了變步長(zhǎng)策略。仿真實(shí)驗(yàn)表明，新型算法在含噪靜態(tài)源和動(dòng)態(tài)源中都具有優(yōu)異的分離性能，并且優(yōu)于現(xiàn)存的針對(duì)動(dòng)態(tài)源的盲源分離算法。

發(fā)表于：2018/3/8 9:10:00

基于前導(dǎo)序列的PLC系統(tǒng)定時(shí)同步技術(shù)研究[通信與網(wǎng)絡(luò)][工業(yè)自動(dòng)化]

電力線建設(shè)初期并沒有考慮通信的要求，其信道環(huán)境惡劣，子載波間的正交性就會(huì)遭到破壞，同時(shí)在接收端會(huì)出現(xiàn)符號(hào)定時(shí)偏差，引起符號(hào)間干擾，因此對(duì)OFDM符號(hào)的頻率偏差和符號(hào)偏差進(jìn)行有效的估計(jì)和補(bǔ)償具有非常重要的意義。根據(jù)G3-PLC特有的幀結(jié)構(gòu)，利用其前導(dǎo)序列之間的相關(guān)性，采用兩重相關(guān)檢測(cè)方法對(duì)系統(tǒng)頻偏及符號(hào)偏差進(jìn)行了有效的補(bǔ)償，最后通過Monte Carlo方法對(duì)其進(jìn)行了仿真驗(yàn)證。結(jié)果顯示，所采用的同步算法可以很好地對(duì)系統(tǒng)失步進(jìn)行補(bǔ)償，并且算法實(shí)現(xiàn)簡(jiǎn)單，信道適應(yīng)性強(qiáng)。

發(fā)表于：2018/3/7 15:39:00

基于非加權(quán)圖的大型社會(huì)網(wǎng)絡(luò)檢測(cè)算法研究[通信與網(wǎng)絡(luò)][其他]

社區(qū)檢測(cè)和劃分已經(jīng)成為大規(guī)模社會(huì)網(wǎng)絡(luò)中一個(gè)非常關(guān)鍵的問題。然而，大多數(shù)現(xiàn)有的算法受限于計(jì)算成本，其適用性十分有限。為了提高社區(qū)劃分質(zhì)量和計(jì)算效率，提出了一種基于非加權(quán)圖的社區(qū)網(wǎng)絡(luò)檢測(cè)算法。首先,算法采用兩個(gè)新的參數(shù)來度量社區(qū)并實(shí)現(xiàn)社區(qū)檢測(cè)，即聚類系數(shù)和共同的鄰居相似性，并通過理論分析和公式推導(dǎo)證明其有效性。最后采用真實(shí)社會(huì)網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行了大量的模擬，實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的生成樹算法以及CBCD算法相比，提出的方法更加有效，且計(jì)算運(yùn)行時(shí)間具有線性復(fù)雜度，適用于大規(guī)模社會(huì)網(wǎng)絡(luò)的社區(qū)檢測(cè)。

發(fā)表于：2018/3/7 14:53:00

NB-IoT隨機(jī)接入過程的分析與實(shí)現(xiàn)[通信與網(wǎng)絡(luò)][其他]

隨機(jī)接入過程作為實(shí)現(xiàn)UE初始接入和上行同步的重要過程，在NB-IoT中，它在LTE系統(tǒng)的基礎(chǔ)上對(duì)其進(jìn)行了相應(yīng)的簡(jiǎn)化和修改。通過與LTE系統(tǒng)中的隨機(jī)接入過程進(jìn)行對(duì)比，對(duì)NB-IoT中目前僅支持的基于競(jìng)爭(zhēng)模式的隨機(jī)接入過程進(jìn)行了深入的分析，并搭建了基于TTCN-3的一致性測(cè)試平臺(tái)，驗(yàn)證了隨機(jī)接入過程與標(biāo)準(zhǔn)的一致性。

發(fā)表于：2018/3/6 13:50:00