摘要：轴承故障诊断对于降低旋转机械的损坏风险,进一步提高经济效益具有重要意义;深度学习在轴承故障诊断中应用广泛,但是深度学习模型在训练与测试时容易受到噪声的干扰导致性能下降;并且轴承的工况变化频繁,不同工况下的数据采集困难;对此,提出了一种基于迁移QCNN的孪生网络轴承故障诊断方法,先预训练QCNN获取具有较强判别性的模型参数,将预训练的参数迁移到QCNN作为子网络的孪生网络中,然后正常训练孪生网络获取模型,最后将测试数据与故障数据组成数据对输入模型,即可得到测试数据的故障类型;该方法将QCNN与孪生网络相结合,QCNN中的Quadratic神经元具有强大的特征提取能力,孪生网络共享权重和相对关系的训练方式,使得模型可以缓解噪声和工况数据不平衡问题的影响;实验结果显示,相较与传统机器学习模型和QCNN等模型,所提出方法在面对噪声和工况数据不平衡问题表现更好。

摘要：针对现有基于深度强化学习的交通信号控制方法的模型学习和决策成本高的问题,提出基于异步优势演员-评论家(A3C)算法的单交叉口交通信号控制方法.在模型输入端分别从交叉口和车道2个不同维度构建车辆权重增益网络,对采集的车辆状态信息进行预处理.设计新的奖励机制,提出融合车辆权重增益网络的A3C算法.基于微观交通仿真软件SUMO的仿真测试结果表明,相比于传统的交通信号控制方法和基准强化学习方法,所提方法在低、中、高3种不同的交通流量状态下,均能够取得更好的交通信号控制效益.

摘要：与电压型或者电流型传感器不同,纯阻型传感器作为无源器件,在采集时需要避免偏置电压和偏置电流对其产生的影响。一些特定医疗传感器的阻值变化往往是微弱且高阻态的,因此,设计了合适的采样电路,以确保采样范围和可采集度。

摘要：针对便携式医疗制氧机中电源需兼顾充电和供电的需求,设计一种恒流恒压Buck电路。该电路具有电压电流双环,能实现为锂电池充电和为感性负载供电的无缝切换,并满足短时过流不保护的需求。电路使用带有外部信号跟踪引脚TRK的集成驱动芯片,与传统的单片机控制相比,其具有免嵌入式编程、功率密度高、便于借鉴使用的优点。

摘要：为了提高交叉口通行效率缓解交通拥堵,深入挖掘交通状态信息中所包含的深层次隐含特征信息,提出了一种基于Dueling Double DQN(D3QN)的单交叉口交通信号控制方法;构建了一个基于深度强化学习Double DQN(DDQN)的交通信号控制模型,对动作-价值函数的估计值和目标值迭代运算过程进行了优化,克服基于深度强化学习DQN的交通信号控制模型存在收敛速度慢的问题;设计了一个新的Dueling Network解耦交通状态和相位动作的价值,增强Double DQN(DDQN)提取深层次特征信息的能力;基于微观仿真平台SUMO搭建了一个单交叉口模拟仿真框架和环境,开展仿真测试;仿真测试结果表明,与传统交通信号控制方法和基于深度强化学习DQN的交通信号控制方法相比,所提方法能够有效减少车辆平均等待时间、车辆平均排队长度和车辆平均停车次数,明显提升交叉口通行效率。

摘要：为了校正柔性变焦透镜变焦过程中出现的光学像差,提出了一种带校正像差功能的柔性变焦透镜。所提透镜由变焦模块和基于压电致动器的像差校正模块组成。制备了变焦透镜的原理样机并搭建实验光学系统对其进行了测试。测试结果表明,所提透镜可实现-1~5 D的屈光力变化;像差校正模块可精确重构3~9项Zernike多项式像差,归一化残余误差小于4%;对不同屈光力下的系统像差进行校正,校正后系统的波前像差下降幅值均在76%以上,系统成像质量明显提升。

摘要：针对受非完整约束的多移动机器人系统的移动目标包围控制问题,提出一种基于输出反馈线性化的局部协同控制方法.利用机器人与邻居节点和目标的相对距离信息、角度信息以及机器人自身的方位角信息设计协同控制器.该方法无需事先指定包围编队形状,可实现对移动目标的速度估计,且保证机器人之间的障碍规避.严格的理论分析证明了移动目标指数收敛到多移动机器人构成的凸包内部.最后,仿真结果验证了所提控制方法的有效性.

摘要：根据能量采集应用于标签的特点,在能量采集模块与标签模块之间添加监测电路,并在高低2个阈值设置的基础上,提出能量采集与标签协同工作策略,低阈值选取原则是保证储能模块的储能能够保证标签一次广播,最大限度地防止标签进入掉电状态.从标签设计目标要求的广播间隔与功率出发,根据环境中能够采集到的能量大小与标签不同状态下所需能耗的变化,推导出储能电容最优值、环境中应具备的射频(RF)输入功率最小值与最优值.利用P2110B与CC2640R2F芯片设计了一个基于射频采集的标签进行验证,测试结果表明:采取该方法设计的能量采集标签可以实现能量采集模块和标签模块协同工作,当射频输入功率大于最优值时,标签能够进行持续的“休眠-广播”循环工作,有效地防止标签陷入“能量死锁”,并可自适应地在不同工作状态下转换.

摘要：相较于稀疏标量阵列和均匀多极化阵列,稀疏多极化阵列由于其可感知信号的极化状态、避免极化失配以及增加阵列自由度、减小互耦效应与降低硬件成本等优点,对其进行系统性研究具有重要的应用价值和理论指导意义。稀疏多极化阵列的设计较之于稀疏标量阵列的设计更加多样化,因其不仅与天线阵元位置有关,还与天线阵元极化种类和阵元指向等因素有关。该文首先对近年来该领域内相关研究进行归纳总结,从非均匀稀疏、均匀稀疏、混合均匀与非均匀稀疏3种稀疏方式出发,介绍和探究了主流稀疏多极化阵列结构优化方式,然后从基于深度学习的稀疏多极化阵列优化设计、稀疏多极化多输入多输出(MIMO)雷达、稀疏极化频率分集阵(PFDA)雷达和稀疏PFDA-MIMO雷达、稀疏多极化智能超表面以及稀疏多极化阵列在家居智能通信和工业物联网等复杂室内场景下的应用等方面对未来的发展方向进行了展望。

摘要：针对机械臂运动跟踪控制器的参数自整定问题,设计了一种基于强化学习Policy Gradient法的参数整定器。首先,介绍了机械臂的一种混合动力学模型,根据该系统模型进行了比例微分(proportional-derivative,PD)控制器设计和李雅普诺夫稳定性证明,并由此给出了参数矩阵的范围。其次,设计了基于Policy Gradient的参数整定器,通过引入积分器的方法对其进行改进,使其控制下的参数行为连续化以进一步提高PD控制器的控制效果。最后,以二阶机械臂系统为例进行了仿真验证。实验数据证明了该参数整定器的有效性和可行性,并能有效提升系统的动态性能。