基于可逆RS码的第Ⅱ类多进制混合ARQ及其性能分析

针对二进制第Ⅱ类混合自动请求重传差错控制系统流量偏低的问题,提出了基于Reed-Solomon(RS)码的多进制混合自动请求重传方案.该方案将信息经RS码编码后,采用多进制调制,信息部分与校验部分分开传输,码的可逆性使得仅由无误的校验部分便可恢复出信息,利于提高流量.数值结果表明,该方案在Rician衰落信道下的流量比传统的二进制方案有了明显提高,同时可靠性依然保持与二进制方案相同的水平.     

有机-无机纳米杂化材料P(MMA-BMA)-TiO_2的制备和表征

采用溶胶-凝胶法制备了聚甲基丙烯酸甲酯(PMM A)-聚甲基丙烯酸丁酯(PBM A)/T iO2杂化材料,并进行了结构表征和性能研究.以甲基丙烯酸甲酯(MM A)为杂化材料的主要成分,引入甲基丙烯酸丁酯(BM A)以改变PMM A/T iO2杂化材料易碎的缺点.实验结果表明:杂化材料中无机相与有机相通过S i-O-T i共价键相连,T iO2的加入增强了聚合物材料的抗紫外性.     

管材超声检测中导波模式及频厚积的选择

用轴向功率流分布来选择检测自由管状结构的最佳导波模式及其最佳频厚积 ,并将混合边界元法应用于管状结构 ,对其结果的有效性进行了验证 .结果表明 :对于自由管材 ,用超声纵向L(0 ,1)模式检测时 ,频厚积在 0 .15MHz·mm以下时较为灵敏 ;用L(0 ,2 )模式检测时 ,在 1.4～ 1.8MHz·mm之间对检测管壁中央的缺陷较灵敏 ;用L(0 ,3)模式检测时 ,在 2 .0MHz·mm以下对管内外表面上的缺陷都较灵敏 .轴向功率流分布能有效地选择检测的最佳导波模式及其频厚积 .     

基于改进遗传算法的前向神经网络

针对遗传算法的主要算子———交叉算子 ,设计了新的交叉算子 ,使个体尽可能地分散在整个解空间 .在具体交叉操作中 ,产生随机个体参与交叉以更好地搜索新的解空间 .并提出了组合变异策略 ,假如对变异后个体隔代保护策略 ,构造了一个有效的改进遗传算法 .利用该改进遗传算法 ,构造了前向进化神经网络 .它综合了改进遗传算法优良的全局寻优性能和前向神经网络的非线性映射能力 .     

飞行器三轴姿态测量方法

介绍了到目前为止常用飞行器三轴姿态测量敏感器.详述了这些姿态敏感器的工作原理.根据这些原理分析了它们的优缺点,并比较了它们的性能指标.给出了具有指导意义的结论.     

对偶星幺半模与自反星幺半模

在引入星系统的基础上，进一步引入了无星因子*-幺半环、无星因子*-幺半模、对偶星幺半模与自反星幺半模等概念，并把半模范畴中对偶性与自反性的一些结果推广到星幺半模范畴中。     

一类混杂系统的稳定性分析

控制系统中存在的时滞给系统的理论分析和工程应用带来了很大的困难。出现时滞后如何保证系统仍能稳定的工作是一个非常重要的问题。本文考虑了一类带有时滞摄动的混杂系统的稳定性，利用李雅普诺夫函数法给出了混杂系统渐近稳定的条件且利用MATLAB线性矩阵不等式(LMI)工具箱计算出保证系统稳定的最大摄动值及切换域。仿真结果验证了方法的有效性。     

C/GFRP加固混凝土梁受弯性能试验研究

通过三根采用不同纤维(CFRP、C／GFRP和GFRP)正截面加固的混凝土梁和一根对比梁的受弯破坏实验，对比研究了C／GFRP层间混杂形式纤维加固梁的受力特点、破坏形态、合理加固方式、梁体应交情况、承载能力、刚度和变形能力，试验结果表明：采用C／GFRP层间混杂形式纤维加固梁在受弯承载力显著提高的前提下表现出了较好的廷性，这种加固技术切实可行，并可以降低工程造价。     

基于序列图像的工业钣金件三维重建与视觉检测

针对目前工业制造领域面临的难题,提出利用非量测数字摄像机进行工业钣金件高精度三维重建与视觉检测.采用二维直接线性变换分解摄像机参数初值并结合光束法平差进行高精度标定;利用最小二乘模板匹配提取像面上的点、直线信息并进行混合光束法平差,从而进行钣金件的高精度三维重建及其尺寸制造误差的检测.所开发的视觉检测系统硬件成本低、自动化程度较高,实际数据的多次实验均取得了优于1/8 000的相对精度,说明所论述的方法为工业零件的自动化三维检测提供了一条可行途径.     

Induction of hybrid decision tree based on post-discretization strategy

By redefining test selection measure, we propose in this paper a new algorithm, Flexible NBTree, which induces a hybrid of decision tree and Naive Bayes. Flexible NBTree mitigates the negative effect of information loss on test selection by applying postdiscretization strategy: at each internal node in the tree, we first select the test which is the most useful for improving classification accuracy, then apply discretization of continuous tests. The finial decision tree nodes contain univariate splits as regular decision trees, but the leaves contain Naive Bayesian classifiers. To evaluate the performance of Flexible NBTree, we compare it with NBTree and C4.5, both applying pre-discretization of continuous attributes. Experimental results on a variety of natural domains indicate that the classification accuracy of Flexible NBTree is substantially improved.