用遗传算法设计模糊控制器

对遗传算法（ＧＡ）进行改进，将改进后的遗传算法应用到模糊控制器的设计中．以工业过程控制为对象，通过二阶系统模型的计算机仿真表明：改进后的遗传算法比传统方法具有更好的控制性能，可实现模糊控制规则的自校正和量化因子的寻优．     

基于内模结构的模糊控制器

通过对具有纯滞后被控过程进行数字仿真研究,提出了一种基于内模结构的模糊控制方法。其最大特点是引入了模糊预估器作为被控过程的内部模型,对实际过程输出起预估作用,从而消除了大时滞带来的系统不稳定。此算法的控制效果要优于常规ＰＩＤ、ＦＵＺＺＹ和ＩＭＣ控制方法＾「１」,利用该算法对电加热炉进行的炉温实时控制时也有一定的理论意义和实用价值。     

一种新的模糊内模预估控制器

采用内部模型控制 估器和模糊控制器相结合,对模糊内模预估控制方法进行了研究。其方法是利用模糊预估控制器克服时滞,通过对具有纯滞后的被控过程进行的数字仿真研究,结果表明：这项研究的控制效果要优于常规ＰＩＤ控制、模糊控制（Ｆｕｚｚｙ）和内模控制（ＩＭＣ）方法。     

带动态因子调整模糊神经网络控制器的研究

探讨了将模糊规则的提取和推理转化为人工神经网络参数的确定及神经计算，提出一种具有自学习功能的模糊神经网络（ＦＮＮ），并用因子动态调整逼近法，解决了系统中静态误差和积分饱和等问题．     

时滞系统的一种Smith预估H∞鲁棒控制方法

提出一种基于Smith预估器的H∞ 鲁棒控制器的设计方法 .该方法用Smith预估器巧妙地将时滞过程的鲁棒性能问题转化为无时滞过程的鲁棒性能问题 ,简化了分析和综合 ,避免了时滞的分式近似 .理论分析及仿真结果表明该方法有效地克服了时滞 ,使系统的鲁棒性能得到了明显改善 .     

慢性疲劳综合征小鼠的自发活动和探索能力变化的观察

摘要: 目的探讨慢性疲劳综合征( Chronic Fatigue Syndrome,CFS) 小鼠与正常小鼠之间空间探索能力的差异性。方法采用复合刺激法复制CFS 小鼠模型,随后观察CFS 小鼠与正常组小鼠在旷场装置中的活动情况。结果与对照组小鼠相比较,模型组小鼠在旷场装置中的活动总路程和平均活动速度均低于对照组小鼠; 在周边区域的活动时间和活动路程显著低于对照组小鼠( P ＜ 0. 05) ; 而在中央区域活动的总时间和路程显著均高于对照组小鼠( P ＜ 0. 05) 。结论CFS 小鼠的自发活动和探索行为能力降低,并且其避趋性和焦虑水平增高。     

小熊猫肝脏和胆囊的解剖研究

对小熊猫的肝脏和胆囊进行了解剖研究,小熊猫肝脏分为右叶、叶叶和左叶。右叶包括在右外叶、右中叶和右内叶。左叶包括左内叶、左外叶。中叶包括方叶和尾叶,方叶小,尾叶的乳状突粗大。胆囊位于右内叶或右内叶与方叶形成的胆囊窝内,胆囊管有直管和曲管两种类型。肝内结缔组织少,肝小叶分界极不明显。肝细胞呈多边形,具大而圆的细胞核,核仁明显,并将小熊猫与大熊猫的肝脏和胆囊作了比较研究。     

发现新型非编码RNA

据英国Nature Structural&Molecular Biology,2015,doi:10.1038/nsmb.2959报道,中国科学技术大学单革实验室的李兆勇等人发现一类新的非编码环状RNA,在细胞核内调节亲本基因的转录。非编码RNA是指细胞内不编码蛋白质却行使多种生物学功能的RNA,而环状RNA大多为非编码RNA。李兆勇等人通过交联和免疫沉淀方法找到111种与RNA聚合酶Ⅱ(PolⅡ)有关的环状RNA,并对其中两种circEIF3J和circPAIP2进行了详细研     

独立院校自动控制原理课程改革探讨

结合独立学院学生理论基础较薄弱,喜欢实践应用和验证类实验等特征,独立学院培养目标主要是应用型人才。本文以自动控制原理精品课程建设为渠道,探讨了如何在教学中培养学生学习兴趣和提高学生学习能力、应用能力的方法。     

Maximum Likelihood A Priori Knowledge Interpolation-Based Handset Mismatch Compensation for Robust Speaker Identification

Unseen handset mismatch is the major source of performance degradation in speaker identification in telecommunication environments. To alleviate the problem, a maximum likelihood a priori knowledge interpolation （ML-AKI）-based handset mismatch compensation approach is proposed. It first collects a set of handset characteristics of seen handsets to use as the a priori knowledge for representing the space of handsets. During evaluation the characteristics of an unknown test handset are optimally estimated by interpolation from the set of the a priori knowledge. Experimental results on the HTIMIT database show that the ML-AKI method can improve the average speaker identification rate from 60.0% to 74.6% as compared with conventional maximum a posteriori-adapted Gaussian mixture models. The proposed ML-AKI method is a promising method for robust speaker identification.