基于图像分析的实验模型变形场量测标点法

在模型观测面上 ,通过设置嵌入式彩色标点 ,在实验各阶段利用数码相机拍摄照片 ,然后应用数字图像处理技术 ,识别并比较每一实验阶段的标点坐标 ,利用有限元中常用的四边形等参变换的方法将测点图像空间坐标转换为模型空间坐标 ,实现了图像校准和变形计算 .开发了一套应用软件系统 ,用于数字图像标点识别分析和结果数据的可视化处理 ,精度检验实验结果表明测点位移识别均方误差为 0 .14～ 0 .5 2个像素 ,相当于模型观测范围的 5 / 10 0 0 0 0～ 1.5 / 10 0 0 0 .最后给出一个在粘土地基承载力模型实验中的应用实例     

PCS网络中基于方向的自适应位置管理模型

研究了个人通信服务网络中的位置管理问题 ,提出了基于方向的自适应位置管理方法 (ADBU) ,该方法有效地减小了整个系统的位置管理总开销 .移动终端周期地检测其运动方向 ,当它的改变超过预先设定的阈值时 ,系统将更新它在数据库中的位置信息 .采用了高斯 -马尔科夫模型来模拟移动终端的运动方向 ,然后通过自适应反馈控制方法来调整移动终端的最佳方向阈值 ,从而减小其位置管理开销 .仿真结果表明ADBU的位置管理开销要明显小于基于距离的位置管理方法 ,也小于直线式寻呼位置管理方法 .     

基于普通编码器的高精度位置检测方法

根据普通增量式光电编码器测量转角位置的原理，分析了量化误差的形成原因和编码器脉宽制造误差对测量精度的影响，提出了新的信号处理算法——脉冲细分法，利用该方法减小了量化误差．同时标定出编码器的脉宽系数井以它作为脉宽制造误差的补偿参数，消除对位置测量造成的影响，最终提高了系统的测量精度．     

基于Turbo编码和二进制脉冲位置调制的快跳频光码分多址系统

在不考虑噪声和仅考虑散粒噪声两种情况下，分析了Turbo码对二进制脉冲位置调制(BPPM)的快跳频光码分多址(FFH OCDMA)系统性能的影响，并对该系统进行了数值模拟。结果表明，Turbo码对BPPM调制的FFH OCDMA系统性能有明显的改善。     

一种基于核ridge回归的解耦控制系统

提出了一种新的基于核ridge回归的解耦方法。该方法具有传统径向基(RBF)神经网络解耦方法对被控对象数学模型依赖性小的特点，同时又能有效地克服RBF神经网络解耦方法对训练样本要求高、噪声敏感和解耦速度慢的缺点，经核ridge解耦器补偿后的控制系统具有被调节量和调节量之间耦合作用小、动态特性好、稳定性强的优点。补偿后的控制系统具有很强的校正能力，对外界各种干扰也有较强的解耦效果和控制质量。仿真试验表明，采用核ridge解耦器的多变量控制系统能够有效地解除系统各变量之间的耦合作用，且结构简单、易于实现，大大增强了解耦控制系统的实用性能。     

以啤酒洗槽废水为主料产朊圆酵母液体发酵的研究

以啤酒洗槽废水为主料通过单因素优选和正交试验法对产朊圆酵母进行液体发酵培养基的筛选与发酵条件的确定，经方差分析结果最佳培养基为2^oBe糖度的啤酒洗槽废水，豆饼粉0.5%,葡萄糖2％，MgSOr.7H2O0.05%,KH2PO40.1%。最佳发酵条件为时间18h，温度28℃，转数150r/min，装量100mL/250mL三角瓶，pH5.0。干菌体系累量为20.12g/L。     

空心箔式电抗器高频损耗的计算分析

提出了一种新的等效耦合电路模型，该模型可用于计算分析空心箔式电抗器的阻抗和损耗等参数．采用张量法，成功解决了大规模方程组的求解问题．分析了电力电子中常见频率范围(20～100kHz)内空心箔式电抗器的高频损耗问题，并研究了箔的电导率对线圈的交流有效电阻和直流电阻之比的影响．通过样机的对比分析，证实了本文方法的有效性，从而为空心箔式电抗器的设计计算奠定了基础．     

准均质充量压燃发动机低负荷排放性能的试验研究

通过试验研究了引燃油量和进气节流对天然气／柴油双燃料准均质充量压燃(QHCCI)发动机低负荷排放性能的影响．结果表明：在低负荷时适当地增加引燃油量，不但可以降低QHCCI发动机的排放，又可以提高其热效率；适当采用进气节流，可在热效率略有降低的情况下有效地改善QHCCI发动机在低负荷时的排放性能；在增大引燃油量的同时采用一定程度的进气节流对降低QHCCI发动机低负荷排放更为有利．     

2-取代苯并咪唑衍生物的定量分析

传统非水滴定方法分析苯并咪唑衍生物的含量，由于受到杂质中胺类化合物的影响，造成结果偏高，甚至达到100%以上。文中采用薄层层析法分离苯并咪唑衍生物及杂质，首先分离出苯并咪唑衍生物，然后用非水滴定方法分析含量，得到了准确的分析结果。初步确定影响分析结果的杂质为未完全反应的原料之一邻苯二胺。     

中位数无偏和Pitman准则

利用Pitman准则考虑了随机变量的预测问题。在平方损失及Linex损失下证明了MU预测量是某一给定的预测量集合中的Pitman—closest预测量。