可持续发展观在建筑设计中的实践途径

随着现代社会日新月异的变化,可持续发展的观念在人们心目中表现得越来越重要,在各行各业中都日渐突出。本文从建筑设计的角度,阐述可持续发展观实践的途径可以结合几个方面:重视自然崇尚自然、强调生态学与建筑的结合、强调资源的节约与节能、采用更为先进的结构体系。     

一种运动目标亚像素位移的估计方法

采用频域分析的方法，充分利用图像的相位信息，在对数谱的基础上提出了一种可以使目标位移估计达到亚像素级的方法．这种方法不依赖于图像内容，与以往算法相比不仅精度高，而且易于实现．提出的图像预处理方法提高了图像信噪比，减少了图像的分布噪声在频域中的影响，使得算法更具鲁棒性．     

高校“计算机图形学”实验教学课程的改进

本文分析了目前高校计算机图形学实验课程教学中存在的主要问题,提出实验应增加预备知识讲授与练习环节,增强基础算法实现的可视性与可交互性,大力引入应用性、趣味性与综合性的实验项目等改进措施。实践表明,这种改进能有效提升计算机图形学实验课的教学质量。     

膨胀石墨对锂硫电池性能的影响

以热膨胀法制备的膨胀石墨为载硫体,通过熔融法制备出不同含硫量的硫/膨胀石墨复合材料.采用X射线衍射、热重测试、恒流充放电测试、循环伏安法、电化学阻抗谱等多种方法分析了膨胀石墨对锂硫电池电化学性能的影响规律.结果表明:当硫、膨胀石墨质量比为7∶3时,电池具有较高的比容量和较好的循环稳定性,0. 1C首次放电比容量为936 m Ah/g,较纯硫提高了324 m Ah/g;不同倍率下循环50圈以后可逆容量为509m Ah/g,容量保持率为55. 2%,1C倍率下循环100圈后容量保持率为78. 9%,库仑效率接近100%;循环过程中电化学活性最高、极化最小,界面行为良好.     

氧化石墨烯改性高温环氧树脂基碳纤维复合材料的热性能与力学性能

采用湿法预浸技术和模压工艺制备了氧化石墨烯(GO)改性碳纤维/环氧树脂(CF/E54-DDS)复合材料,利用差示扫描量热(DSC)分析、动态热机械分析(DMTA)、超声波C扫描等研究了GO对复合材料的热固化性能、凝胶工艺性能、动态热机械性能以及抗冲击损伤性能的影响.结果表明:GO结构中的羟基和羧基会促进改性树脂体系的固化反应,加快GO/E54-DDS的固化反应进程.在GO添加量(质量分数)小于0.5%时,GO的活性基团可增加改性树脂体系的交联密度,从而提高复合材料的玻璃化转变温度;但GO添加量大于0.8%时,会因DDS在固化网络结构中比例的大幅下降,反而降低复合材料的玻璃化转变温度.微观形貌分析显示GO/CF/E54-DDS预浸料比CF/E54-DDS预浸料表现出更好的浸润效果.CF/E54-DDS复合材料被破坏后CF表面光洁,破坏主要发生在CF与树脂基体的界面;而GO/CF/E54-DDS复合材料被破坏后,CF表面紧密黏附着GO/E54-DDS固化物,破坏主要发生在CF织物层间的GO/E54-DDS区域.冲击后压缩强度测试表明GO的存在提高了GO/CF/E54-DDS复合材料抵抗横向裂纹和纵向裂纹扩展的能力,减小了复合材料的损伤投影面积和裂纹凹坑深度,提高了冲击后压缩强度.     

一种运动目标亚像素拉移的估计方法

采用频域分析的方法，充分利用图像的相位信息，在对数谱的基础上提出了一种可以使目标位移估计达到亚像素级的方法，这种方法不依赖于图像内容，与以往算法相比不仅精度高，而且易于实现，提出的图像预处理方法提高了图像信噪比，减少了图像的分布噪声在频域中的影响，使得算法更具鲁棒性。     

智能重构控制技术及其应用

重构控制已成为目前控制领域的研究热点和具有挑战性的课题。概述了重构控制发展的背景、现状及存在问题，通过分析得知，重构控制的智能化已成为该领域发展的重要方向，并进一步总结了目前若干具有代表性的智能重构控制方法，着重介绍了基于神经网络和模糊推理的智能故障诊断和智能重构控制方法。最后，展望了智能重构控制在飞行控制领域的应用前景     

运动目标成像特性研究

对焦平面阵列上的点源运动目标和电视扫描方式下的运动目标分别建立了目标运动成像模型，得到了传感器因素与目标成像特性之间的函数学系；提出了目标精确定位的方法．模拟实验表明，所给出的运动成像模型能够较好地刻画运动目标的成像规律，使得目标定位方法能有效地修正由于目标的运动成像畸变带来的影响，为精确跟踪算法的研究提供了理论依据．     

基于试验设计的ATR算法的性能评价

在试验设计方法学的基础上，提出了一种定量评价自动目标识别算法性能的方法；给出了几种刻划场景变化的图像质量指标的定义和度量方法；提出了用响应曲面模型方法建立算法性能模型和描述图像度量与算法性能之间统计关系的方法．实验结果表明，仅需要少量的测试图像就可得到可靠的算法性能模型和可信的评价结果．     

基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．