太阳能水源空调系统设计与实现

针对夏季地下水温度较低,冬季太阳能热水器水温较高的特点,研制出太阳能水源空调系统。该系统在夏季时,由太阳能电池板发电,并利用制冷半导体对循环水制冷,进而调节室内温度;冬季时,则利用太阳能热水器的水温,加之太阳能发电,辅助加热循环水,可使室内保持较高温度。由于系统未使用任何化学物质,因此对环境不会产生任何污染。     

TCP带宽估计算法

在有线网络或者误比特率较低的环境中,分组丢失往往是由于网络拥塞造成的,因此传输控制协议（TCP）能够良好运行;然而当TCP运行在高误码环境中,并且在遭遇误码丢包时,TCP拥塞窗口依旧盲目减半,没有能够充分利用可用带宽,从而导致其性能大幅度下降．近年来,提出了不少对TCP拥塞控制机中带宽估计算法进行改进的方案,以用来改进TCP在随机丢包链路中的性能．文中首先分析了在TCP连接中发送端实现的带宽估计算法所面临的问题,然后重点分析了几种带宽估计算法的准确性及其性能,同时讨论了带宽估计算法的准确性对协议的公平性产生的影响．     

CDMA2000在集群通信中的应用

无线专用集群通信网和移动公众蜂窝通信网的发展,很大程度上反映着无线技术发展和应用的历史。简述了即按即通（PTT）集群通信的发展历史,描述了其发展的现状和最新动态。重点阐述了基于CDMA2000技术的新一代集群通信系统的网络结构原理、业务功能、实现的关键技术,以及组网、运作模式。     

聚氨酯硬段堆叠结构的再发现：类结晶行为

利用傅里叶变换红外技术（FT-IR）首先阐明了本文工作中的聚氨酯氢键缔合程度或微相分离程度与热历史无关,只与样品所处温度有关。其次,利用差示扫描量热法（DSC）探究了升降温过程中出现的热效应,发现热效应所对应的硬段缔合结构与聚合物结晶行为非常相似,例如有缔合核存在下的快速生长、硬段较多时的快速生长、等温退火后生成特定的缔合结构等。综合以上实验结果可以发现,这些缔合结构的行为非常类似于高分子晶体。但与传统观点不同的是,微相分离与这些潜在的类结晶行为是两个独立的过程。     

Fe3+对铜绿微囊藻生长和光合作用的影响

考察了在0～30000nmol/L浓度范围内，Fe³⁺对铜绿微囊藻（Microcystis aeruginosa）的生长、生化组成和光合作用的影响。结果表明，当Fe³⁺浓度小于10nmol/L时，铜绿微囊藻的生长以及叶绿素和蛋白质的合成均受到明显的限制，Fe³⁺浓度达到30000nmol/L时，其生长受到抑制。富铁条件下藻细胞光饱和的光合作用速率（P_m）、暗呼吸速率（R_d）和表观光合作用效率（α）显著大于缺铁条件，而补偿光强（I_c）及饱和光强（I_k）则低于缺铁条件。结果显示，Fe³⁺是铜绿微囊藻生长的重要限制因子。     

基于随机几何理论的无线Ad Hoc网络传输容量分析

考虑实际通信系统中数据传输速率及可变的链路传输距离,利用随机几何理论对瑞利衰落环境下中断概率的精确表达式及渐近表达式、传输容量的渐近表达式进行了推导,并与采用固定链路传输距离下的中断概率、传输容量性能进行了比较.仿真结果验证了理论推导的正确性,并表明:由于实际通信系统通常是一个低中断概率系统,因此传输容量的渐近表达式的分析结果可看作其精确结果的有效近似值,通过渐近表达式,能够更好的体现网络传输容量与网络设计参数之间的关系,另外,实际通信系统中链路传输距离的变化对传输容量性能的影响不大.     

CDMA2000在集群通信中的应用

无线专用集群通信网和移动公众蜂窝通信网的发展,很大程度上反映着无线技术发展和应用的历史.简述了即按即通（PTT）集群通信的发展历史,描述了其发展的现状和最新动态.重点阐述了基于CDMA2000技术的新一代集群通信系统的网络结构原理、业务功能、实现的关键技术,以及组网、运作模式.     

基于干扰门限的动态频谱接入及性能分析

如何在不干扰授权用户(主用户)正常通信的情况下提高次用户使用频谱的效率,这是认知无线电系统中需要解决的关键问题。在主用户优先的基础上,提出了基于干扰门限的动态频谱接入系统的M arkov频谱占用模型,并基于该模型对动态频谱接入过程进行了分析。为了进一步降低次用户间的相互干扰,通过对次用户接入概率的设计,以协调各类次用户间的频谱接入。在3种优化准则下,对次用户依据概率接入的基于干扰门限的主用户优先的动态频谱接入系统进行了仿真。仿真结果表明,基于干扰门限的主用户优先的动态频谱接入系统能大大提高次用户的接入机会,最大程度地提高了次用户的吞吐量。在比例公平准则下次用户接入的性能,与最大化吞吐量准则相比体现了更好的公平性,与最大化最小准则相比能够获得更大的吞吐量,因此基于比例公平准则可以使得系统在高效性和公平性间得到很好的均衡。     

基于联合对抗训练的鲁棒度量迁移

迁移度量学习旨在从强大且可靠的距离度量中迁移知识来改善目标度量的效果,这些度量往往来自于学习目标相关的任务.现有的迁移度量学习算法仅关注于如何迁移知识,而这些知识容易过拟合到源域中.首先研究如何在源域中训练一个适合于迁移的源域度量,然后设计了一种通用的深度异质迁移算法来进行高效的迁移学习.值得注意的是,将源域度量以联合对抗学习的方式进行训练,再以深度神经网络的方式将其参数化表示并对其进行迁移.迁移中通过表征模仿的方式来学习源域度量中的知识,这种方式允许源域和目标域中的知识来自于异质域.此外,严格限制目标度量网络的大小,使得目标网络更够进行高效的推理计算.在人脸识别数据集上的实验展现了本方法的有效性.