提出了一种改进型电磁导引技术方案.该方案使自动寻引系统的核心部分——路径规划算法及程序得以实现.分析及实验结果证明,该项技术是可行的,并且具有极高的经济性

介绍了在高精度四辊可逆冷轧机中所采用的一种综合型自动厚度控制方案。为了保证轧机能轧出只有±4μm厚差的高精度带钢,采用了全液压推上、恒辊缝控制和计算机控制的综合控制系统。阐述了根据引起厚差的不同因素所采取的相应措施,给出了实际轧制的厚差曲线,带材厚差在±4μm以内

本文介绍一种用于诊断轴承、齿轮(在线或离线)故障的专家系统FDES(A Failure Diagnosis Expert System)。该系统由征兆获取模块、知识获取、知识库管理、元知识自动生成、推理机、解释、人机接口7个基本模块组成。这7个模块可实现自动、精密两级诊断过程。系统采用模糊诊断方法。在推理中采用黑板结构控制下正、反向相结合的推理机制

设计了一种单片计算机程控的信号变换电路。它实现了八位A/D转换器的十一位变换,零点自动补偿,量程自动切换,以及线性化等功能。电路用于光电辐射测温仪的信号处理。其量程范围:1000~1800℃。变换电路的测量误差 ≤ 1℃±1个字,(不包括光电转换元件的误差)。讨论了信号变换系统的工作原理及软件程序框图,分析了各部分的误差及其影响,给出了试验结果。结果表明,以软件和硬件的结合,数字电路和模拟电路的结合构成的变换系统,具有更大的灵活性,并简化了结构

针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题,提出了一种基于时——频分析的步态模式自动分类方案.利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号,利用五阶Daubechies小波基对其进行特征提取,并采用线性判别式分析进行降维,最后利用决策树和支持向量机对得到的精简步态特征进行模式分类.实验结果显示两种分类器的总体分类准确率均达到90%以上,个别步态分类可达到100%,验证了特征提取和降维方法的合理性和有效性

本文简述了利用微机M24(IBM—PC/XT兼容机)进行英语辅助教学,建立英语试卷自动命题系统(ATMS即Automatic Test—Making System的简称。);说明了ATMS的基本构成原理,给出了主要框图

本文介绍在M-150型电子计算机上,用DDSⅢ(连续系统数字仿真)语言,对1700热连轧机的自动厚度控制进行了仿真研究,提出一种新的两重方式(dual mode)控制系统。和现有的控制系统相比较,新系统可以保证更高的快速性与动态精度

在各种超声波加工中,为了充分利用超声功率,要求激励频率必须与机械传声系统固有频率重合。最近在有些超声波加工中,已采用了自激频率跟踪发生器[1] [2],它能在有载传声系统共振频率发生偏移时,自动跟踪之。在超声波冷拔工艺中:负载性质如何,对传声系统共振频率有何影响;激励状态及功率对频率有何影响以及频率偏移对效果有何影响?为此,我们对超声冷拔铝管、钢管、紫铜管、黄铜管、钢丝进行了广泛的实验研究,并获得了一些实际结果。试验得出,在超声振动外模拉拔工艺条件下,频率偏移很小,可不采用频率自动跟踪系统

提出了一种新的模糊认知图分类器模型构造方法,它包括构建流程、激活函数、推理规则和学习方法等核心构件.模型利用提出的动态交叉变异算子自适应遗传进化过程,实现种群间自动调节和自动适应.仿真实验表明:本文提出的模型增强了局部随机搜索能力,加强了算法的全局收敛能力,与其他经典分类方法相比,不但性能较好,而且具有较强的抗噪能力,从而具有更强的鲁棒性

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验