置信规则库（beliefrulebase，BRB）的参数训练问题实质上是一个带有约束条件的非线性优化问题，目前在求解该问题上主要使用FMINCON函数及群智能算法，但在算法的应用中存在移植性差，难实现，计算时间长等局限性。通过对这些问题的研究，结合现有的参数训练方法提出了基于加速梯度求法的置信规则库参数训练方法，并将其应用在多峰函数、输油管道泄漏检测的置信规则库的参数训练上。以收敛误差、收敛时间和皮尔森相关系数作为衡量指标，对新方法与其他传统方法进行了对比，实验结果表明，新算法在收敛精度和收敛速度上具有更

局部直方图均衡是以全局直方图均衡化方法为基础,对图像中每个像素点所在的邻域范 围求出灰度转换函数,然后仅应用在该中心点处。为了提高算法的运算速度,特别是在处理视频 图像时,采取传统的DSP的设计方法在速度上很难满足需要,因此,利用FPGA实现是一个很好 的选择。为使局部直方图均衡方法能够在FPGA上具体实现,从空间域的角度改进了图像灰度直 方图均衡算法,并利用VHDL语言对算法进行了完全可综合的RTL级描述,最后在硬件平台上 验证了结果。

设计了一种自调整模糊控制器。根据模糊控制器输入变量的大小调整模糊控制器的参数和输入变量的权重，从而自动地调整了模糊控制器规则。我们把这种自调整模糊控制器引入交流伺服系统中，作为系统速度的调节器。实验表明，这种方法不仅可以提高一般模糊控制的动、静态性能，而且具有PID控制不可达到的强鲁棒性。

基于RFID系统对天线的要求，针对单馈电微带天线回波损耗和轴比之间的矛盾，利用理论计算和An-soft HFss软件仿真优化的方法设计出了一种用于RFID读写器的新型超高频圆极化微带天线。该天线采用背馈的方法，相对于侧馈有效地减小了天线的尺寸。为实现良好的圆极化性能，该天线利用空气作为介质层。并且采用非对称矩形切角，相对于当前普遍采用的对称等腰直角三角形切角更容易加工和调整。经过仿真分析得出了各种参数的曲线图，验证了该天线的优越性能。

运动学分析是并联机器人机构分析中的首要问题，是进行机构动力学分析、精度分析的基础。而全柔性微动机器人机构的首要目标就是精确实现所需的运动。因此对其运动学的研究在机构学领域占有重要的地位。本文对平面并联微动机器人进行了建立伪刚性模型，采用闭环矢量原理建立理论运动学线性模型，得到理论Jacobian矩阵，其次对该机构进行实验分析，得到工作平台的实验输出位移和方位角（Jacobian矩阵）；然后用ANSYS软件对其进行有限元分析，得到有限元运动学模型（Jacobian矩阵值），最后通过分析比较该机构的理论运动学

研究了一种改进蚁群算法在无人驾驶飞行器三维航迹规划中的应用。针对基本蚁群算法容易过早陷入局部最优以及过早陷入迭代停滞的缺陷,新提出了一种信息素挥发系数的随机自适应调节方法;借助最小威胁曲面这个概念,将最小威胁曲面向水平面投影,使三维航迹规划转换为二维航迹规划;并借助动态窗口这个概念,在三维离线航迹的基础上进行航迹局部重规划;最后给出仿真验证。仿真结果表明:改进蚁群算法在解的优越性和算法的快速性上都全面优于基本蚁群算法,并且改进的蚁群算法在三维航迹重规划上有很强的适应性。

比特交织编码调制迭代译码( BICM-ID)是一种编码、调制和迭代译码相结合的技术,主要应用于无线 通信中的信道编译码。 BICM-ID在结构设计上加入了比特交织器和软输入软输出( SISO)译码器,结合迭代译 码,最终实现次优译码。不同的编码方法在 BICM-ID系统中也有着很大的性能差异,针对几种常见纠错编码方 法―――卷积码、T urbo码、L DPC码,在 BICM-ID系统下的误码率性能进行比较。仿真得到系统在 AWGN信道和 Rayleigh衰落信道下的误码率曲线,表明不同纠错编码的 BICM

索膜结构在一定的温度和恒定外力作用下会产生变形随时间增长而逐渐增大的现象,即蠕变现象,影响结 构的使用价值,因而对索膜结构的蠕变性能的研究是至关重要的 。文章利用描述粘弹性蠕变行为的 Burgers四元件 模型来模拟索膜结构的蠕变性能,推导出蠕变影响的有限元方程 。同时,还利用 ANSYS软件对索膜结构进行蠕变分 析,得出了蠕变第一阶段曲线,为研究蠕变影响的应力应变分析提供了科学依据 。

针对布匹瑕疵检测算法中运算量大、自适应差的问题,利用布匹纹理周期性变化特性,自适应地构建结构元素,实现形态学运算;采用基于像素面积的阈值选择定位瑕疵位置。在不改变检测准确率的同时减少了运算时间。实验结果表明,该算法所确定的瑕疵位置与主观视觉吻合,相比经典算法,误检率、错误率均降低了4%。

提出一种改进决策1-SVM方法(1-DISVM)，并由此构建了基于单类样本训练的1-DISVM多分类模型。1-DISVM是1-SVM方法的改进，通过对决策算法的修正，解决了1-SVM分类精度低的不足，并将其应用于直升机减速器故障识别中。结果表明该方法能够在训练样本数量少、不准确的情况下，自动排除错误样本的干扰，获得很好的分类结果，且具有无监督学习、分类精度高、易于扩展和代价小等优点。