共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

非均匀介质下的可调光流控器件及其生化应用

 探讨了非均匀介质下不同光流控器件及其生化应用。在微流控芯片上，主要从2个方面开发和实现各类具有光波导、透镜、细胞计数、化学检测等功能的新器件。首先，在液液非均匀介质下，通过调节沟道内液体流速，控制液体间的对流扩散来实现液体在微腔内的渐变折射率分布和阶跃分布，从而得到其特殊的光学特性，例如光束分离、弯曲、自聚焦等。其次，在固体非均匀介质下，利用特殊的微流结构与液体相结合，实现更加灵敏可调的新型探测手段。这些新型技术手段分别在生物传感、能源生产、细胞探测及海水检测等诸多应用中可发挥关键性作用。     

中立型分数阶微分控制系统能控性

研究一类分数阶中立型微分控制系统的能控性问题,对系统状态方程的分析,利用拉普拉斯变换通过基本控制系统的基础解给出了控制系统通解的表达式,并且通过构造格拉姆矩阵,研究了控制系统能控性的充分必要条件;最后通过举出一个格拉姆矩阵的计算举例来进行验证。     

基于多变量希尔伯特频域模型的癫痫发作预测

癫痫发作具有突发性和反复性,对患者生命安全构成巨大威胁.为了对癫痫发作进行有效地预测,提出了多变量希尔伯特频域模型的癫痫发作预测方法.将希尔伯特边际谱、希尔伯特边际谱的变化方向和希尔伯特加权频率组成一个三维特征向量作为多变量希尔伯特频域模型,输入到支持相量机中,实现癫痫的发作预测,最后采用癫痫发作预测特征方法对预测结果进行评估.实验结果表明:采用多变量希尔伯特频域模型分析方法预测δ波和θ波的癫痫发作,癫痫预测范围在30~45 min,患者有足够的时间采取措施应对;癫痫发作周期在5~10 min,缩短患者等待时间,降低焦虑程度;与多种相关方法进行比较,该方法具有较低的错误预报率和较高的预测敏感度.     

快速跳频PLL中杂散抑制比的最佳设计值

系统地研究了快速跳频PLL中杂散来源,给出了环路杂散模型,定义了杂散抑制比。定性分析了MF SK FH通信系统检测误码率Pe与杂散抑制比λ之间的关系,并通过计算机辅助分析,定量计算出误码率与杂散抑制比的关系曲线。实验结果表明,MFSK FH通信系统中存在一个杂散抑制比的最佳设计值,约为-50dB,它为快速跳频PLL的优化设计提供了参考依据。     

拮抗肌对的协同控制与EMG信号的中值频率关系

探讨在持续恒力收缩时,正常人体肘关节主动肌和桔抗肌的协同作用原理与它们的表面EMG信号中值频率(Median Frequency,MF)的变化趋势,研究它们的疲劳行为。十五个正常受试者的实验数据统计结果表明,拮抗肌的SEMG/MF高于主动肌;随着收缩时间的增加,主动肌和拮抗肌的MF几乎以相同的速率下降;收缩力越大,它们的两条拟合直线之间的距离、互相关系数、下降速率也越大;关节的角度的变化对上述结论似乎没有明显的影响。这些结论对屈曲和伸展模式都成立。利用人体组织的幅度衰减特性和频率衰减特性,神经肌肉系统的“共驱动”概念对上述结果进行了讨论。     

电磁感应探测的灵敏度研究

本文讨论了电磁感应探测传感线圈的匝数与探测灵敏度的关系,论证了在探距确定的条件下,探测传感线圈直径的最优值。     

电磁场的生物效应

本书是一本关于电磁场生物效应的新著。电磁场可以对各种生物产生影响，包括低频率和高频率及不同强度的电磁场的作用，因此，电磁场的研究和技术应用及环境作用等方面都十分重要。本书的内容很广泛，涉及电磁场的机理、模型化、生物效应、治疗效应、国际标准、照射判别准则等。     

惯性导航系统水平阻尼网络的自适应控制

当海况变化较大时，惯性导航系统(INS)的误差振荡幅度较大．为了减小系统误差的振荡幅度，提出了一种新的设计思想，采用自适应控制方法，根据实际的海况变化情况，实时校正阻尼参数，使由舰船的机动性造成的系统误差最小．结果表明，与传统方法相比，水平误差角振荡幅度减小了约50％，速度误差振荡幅度减小了约30％．经度、纬度和航向误差振荡幅度也有明显改善；水平阻尼网络的自适应控制有效地改善了INS的动态性能．