二烷氧羰基四硫富瓦烯官能化的四氮杂卟啉基燃料的合成、表征和电化学研究，冷丰收，侯瑞斌，在金属盐存在下，经2,3-二氰基四硫富瓦烯-6,7-二甲酸二戊酯的环四聚化反应合成了三种新型的四硫富瓦烯并四氮杂卟啉染料，并用1H NMR、

This book provides a definition and study of a knowledge representation and reasoning formalism stemming from conceptual graphs, while focusing on the computational properties of this formalism. Knowledge can be symbolically represented in many ways. The knowledge representation and reasoning formalism presented here is a graph formalism – knowledge is represented by labeled graphs, in the graph theory sense, and reasoning mechanisms are based on graph operations, with graph homomorphism at the core.

新型基于金属大环络合物的荧光传感器在水溶液中对生物阴离子的识别研究，黄小欢，吕岩，我们合成了带有两个蒽基侧链的四氮杂大环1，它在水溶液中对ZnII 有很高的选择性。在和ZnII配位以后，得到的络合物1-ZnII表现出明显的�

一种基于联苯胺的新型Fe3+/Cu2+荧光化学敏感器，袁瑞丽，赵新元，本文报道了一种对Fe3+/Cu2+具有良好选择性的荧光化学传感器2,3,4,5―四苯基联苯胺（D）。化合物D的乙醇溶液在加入FeCl3或CuCl2后，荧光发�

An Enantioselective BINOL Fluorescent Chemosensor Based on Fluorescent Resonance Energy Transfer (FRET)，韩风，吴玉波 ，A fluorescence resonance energy transfer (FRET) based fluorescent 1,1’-bisnaphthal (BINOL) boronic acid chemosensor was designed in which BINOL moiety acts as energy donor and a

### LTE for UMTS – OFDMA and SC-FDMA Based Radio Access #### 一、概述 《LTE for UMTS – OFDMA and SC-FDMA Based Radio Access》是一部由哈里·霍尔马(Harri Holma)与安蒂·托斯卡拉(Antti Toskala)共同编写的著作。该书由威利出版集团(Wiley)于2009年6月2日首次出版，全书共464页，主要介绍了长期演进(Long Term Evolution, LTE)技术在通用移动通信系统(UMTS)中的应用，并重点讨论了正交频分多址(OFDMA)和单载波频分多址(SC-FDMA)两种接入技术。 #### 二、标准与技术背景 该书首先对LTE的技术背景进行了详细介绍，包括其标准化过程以及如何逐步演进到当前的技术体系。其中，作者强调了3GPP组织在制定LTE标准过程中所发挥的关键作用。 #### 三、系统架构演化（SAE） 接着，书中详细探讨了系统架构演进(System Architecture Evolution, SAE)，这是为了满足未来网络需求而进行的一系列架构改进和技术更新。SAE的目标是提高网络效率、简化网络结构并降低运营成本。 #### 四、空口接口调制技术 本书还深入介绍了空口接口调制技术的选择及其背后的原理。这部分内容对于理解LTE物理层的工作机制至关重要，其中包括OFDMA和SC-FDMA这两种关键技术。 - **OFDMA**：正交频分多址是一种高效的无线通信技术，通过将可用带宽分割成多个正交子载波来实现。每个用户可以被分配一个或多个子载波进行数据传输，从而显著提高了频谱利用率。 - **SC-FDMA**：单载波频分多址则是在上行链路中采用的一种技术，旨在减少信号峰均功率比(PAPR)，为终端设备提供更好的能效。 #### 五、3GPP LTE物理层与协议解决方案 针对3GPP LTE物理层的设计和协议解决方案，本书提供了详尽的分析。物理层是网络与终端设备之间通信的基础，包括编码、解码、调制等关键步骤。 #### 六、移动性管理与资源分配 此外，书中还涵盖了移动性管理和无线资源管理方面的内容，这些是确保网络能够高效处理用户移动性和资源分配的关键因素。 #### 七、性能评估 为了全面评估LTE系统的性能，本书还对无线电及端到端性能进行了评估，这包括吞吐量、延迟、连接成功率等指标。 #### 八、语音解决方案与容量 书中还特别提到了LTE中的语音解决方案及其容量问题。随着网络向全IP方向发展，传统的电路交换语音服务逐渐被基于IP的语音服务所取代，这一转变对网络设计提出了新的挑战。 #### 九、TDD与FDD模式的区别 作者对比分析了时分双工(TDD)和频分双工(FDD)两种模式的特点与差异。这两种模式在频谱利用、设备设计等方面存在明显的不同。 #### 十、HSPA演进 书中还讨论了高速分组接入(HSPA)在3GPP第7版和第8版中的演进情况，这对于了解LTE之前的网络技术及其如何过渡到更先进的技术体系非常重要。 ### 结论 《LTE for UMTS – OFDMA and SC-FDMA Based Radio Access》不仅为读者提供了关于LTE技术全面而深入的理解，还为工程师、研究人员及学生提供了宝贵的参考资料。通过本书的学习，读者可以深入了解LTE技术的核心概念、关键技术和未来发展潜力，有助于他们在日益发展的移动通信领域取得成功。

Power Management IC Design for Microwatts Vibration Piezoelectric Energy Harvesting Based on Parallel-SSHI 振动能量采集技术是面向未来自供能设备的一种新兴技术。本文介绍了一种基于同步开关电感（SSHI）技术的微瓦级振动压电能量采集电源管理IC设计。该设计采用0.18微米CMOS工艺，通过设计充电传输逻辑电路，能够实现高达83%的峰值效率。设计利用内部高精度电流基准，能够根据外部负载的不同需求进行调整。本电源管理IC能够提供从几微瓦到数百微瓦的输入功率，并且输出电压能够达到4.5伏特。 关键词包括整流器、能量采集、P-SSHI、压电、电流基准。太阳能、热能和振动能是目前能量采集技术的主要来源。对于振动能量，有许多表达形式，例如人的步行、车辆移动、火车振动等。典型的振动能量采集器主要分为三类：电磁式、电容式和压电式。压电能量采集器（PEH）在集成化和微型化方面具有很大优势。PEH通常采用悬臂梁结构，因其具有高能量密度、高输出电压和低电流的特性，为电源管理接口电路的设计提供了良好的条件。 在本文中，使用压电能量采集器（PEH）作为输入激励源，并采用0.18微米CMOS工艺来实现电源管理IC设计。与被动整流器的低效率相比，本文提出的基于P-SSHI技术的设计可以达到高效率的功率管理，适合于微瓦级振动压电能量的采集。整流器作为能量采集系统中的关键组成部分，其性能直接影响整个系统的输出效率和稳定性。P-SSHI技术通过在适当的时刻切换开关，最大化地利用振动能量，提升电感器上的电压转换效率，进而提高整个能量采集系统的性能。 除了介绍PEH的优势和应用之外，本文还提到了PEH在不同应用场景中的具体结构设计，例如悬臂梁结构，这种结构可以更有效地感应振动能量并将其转换为电能。在集成化和微型化设计方面，PEH的结构设计可以适应不同尺寸和功率需求的应用，使其成为未来移动设备和物联网设备能量采集的理想选择。 文章提到的高精度电流基准技术为电源管理IC提供了更高的精度和灵活性，使其能够适应不同系统的需求。通过精确控制电流，可以实现对负载的动态调整，优化整个能量采集系统的性能。此外，文中所提到的电流基准技术还具有高度的集成性，有利于实现更小尺寸和更低功耗的电路设计。 通过这篇文章的内容，我们可以看到，围绕振动能量采集技术所开发的电源管理IC设计在微能源领域有着广泛的应用前景。该技术不仅能够为未来的自供能设备提供动力支持，还有助于推动低功耗、小型化设备的发展。随着相关技术的不断进步和优化，未来该领域的研究有望进一步提高能量转换效率，扩大其应用范围，并为实现更加环保和可持续的能源解决方案作出贡献。

在现代机器人技术研究中，移动机器人的自主导航是一个核心问题，而强化学习是一种通过与环境的交互来学习最优策略的方法。强化学习在移动机器人导航中的应用，使得机器人能够通过学习环境的反馈，自动选择最优路径，实现从起点到终点的高效、准确的导航。该领域的研究涵盖了算法设计、模型训练、策略评估和实际部署等多个环节。 在算法设计方面，强化学习为机器人提供了一种不依赖精确模型的方法来学习导航策略。不同于传统的基于规则或者预定义地图的导航技术，强化学习利用试错的方式，让机器人在探索中逐渐优化自己的行为。这要求机器人具备环境感知能力，如使用摄像头、激光雷达等传感器来获取周围环境信息，并将其转化为状态信息输入到学习算法中。 Q-learning作为强化学习的一种算法，是研究的热点之一。在移动机器人导航任务中，Q-learning通过构建一个Q表来存储各种状态下，采取不同行动的预期奖励值。机器人根据当前状态选择一个行动，并在执行行动后根据环境反馈更新Q表中相应的值。通过这种不断迭代的过程，机器人逐渐学会在各种状态下选择能够带来最大累计奖励的行动。 在实际应用中，为了处理真实世界中的复杂性和不确定性，往往需要对Q-learning进行改进。例如，深度Q网络（DQN）结合了深度学习的能力来处理高维的状态空间，使得机器人可以处理更加复杂的环境和任务。此外，为了提高学习效率和策略的稳定性，也常常引入一些机制，如经验回放（Experience Replay）和目标网络（Target Network）等。 项目QlearningProject-master在应用强化学习进行移动机器人导航研究中，可能会包含以下几个部分。首先是环境模型的建立，这个模型需要能够反映机器人的实际操作环境，包括可能遇到的障碍物、目标位置等。是强化学习算法的实现，这里可能涉及到Q-learning算法的编程实现，以及与环境交互的机制。第三是策略训练与评估，机器人需要在模拟环境或者真实环境中不断执行任务，通过与环境的交互收集数据，并基于这些数据不断优化其导航策略。是策略的测试与部署，测试机器人导航策略的性能，并在必要时进行调整。 利用MATLAB进行这类项目的开发，可以利用其强大的数值计算能力和丰富的工具箱，尤其是在算法原型开发和仿真测试方面。MATLAB提供的Simulink工具可以用来构建复杂的系统模型，并与实际的机器人控制系统进行集成。此外，MATLAB中的机器学习工具箱也提供了强化学习相关的函数和算法，简化了算法的实现和测试过程。 基于强化学习的移动机器人导航研究是智能机器人领域的一个前沿方向，它结合了机器学习、智能控制和机器人学等多个领域的知识，具有非常高的研究价值和应用前景。通过不断的算法改进和实践检验，移动机器人在复杂环境下的自主导航能力将得到显著提升。

张量分解推荐算法、异构隐式反馈、社会信息正则化、数据稀疏性、协同过滤算法、用户行为分析、个性化推荐系统、隐式反馈推荐系统、用户-物品矩阵、信任关系、电子商务行为、推荐系统性能提升 隐式反馈推荐系统在现今推荐系统领域中占据着重要地位。传统的基于隐式反馈的推荐算法主要依赖于用户与物品之间的互动行为，如点击、想要、购买等，这些数据反映了用户的潜在偏好。然而，这类算法往往无法充分利用这些异构的隐式反馈数据，尤其在数据稀疏性问题较为严重的情况下，推荐准确性受到影响。 张文颖和李汶华的这篇论文提出了一种基于张量分解的推荐算法，该算法特别利用了异构隐式反馈，通过分析用户、物品以及用户行为之间的隐含依赖性来克服用户-物品矩阵的限制。这一算法不仅关注用户的行为，还将社会信息作为正则化项，以获得用户与其朋友之间的信任关系。通过在真实数据集上的实验，该推荐算法被证实比其他对比方法表现更好，有效地提升了推荐系统的性能。 推荐系统是帮助用户从海量信息中筛选出个性化内容的重要工具，以防止信息过载问题。推荐系统主要基于协同过滤技术，该技术利用用户和物品之间的互动数据来预测用户偏好，并实现推荐任务。根据用户互动数据的不同，协同过滤算法可以分为基于明确反馈的协同过滤和基于隐式反馈的协同过滤。在基于明确反馈的协同过滤中，用户使用精确的数据信息来描述对物品的偏好，这在传统推荐系统中被广泛使用。对于隐式反馈，用户行为数据则被用来作为反馈信息，这些行为数据虽然没有明确的评分，但可以通过算法模型解读出用户的潜在偏好。 数据稀疏性是推荐系统面临的一个主要问题。在有大量用户和物品的情况下，用户与物品的互动往往非常有限，导致用户-物品矩阵中大部分数据是未知的。为了解决这个问题，研究者们尝试开发了各种推荐算法，包括利用矩阵分解技术来揭示潜在的用户和物品特征，并尝试通过引入其他类型的信息来提升推荐的准确度。 在这篇论文中，张文颖和李汶华的研究重点是提出一种新的张量分解算法来使用异构隐式反馈。张量分解是一种多维数据分析方法，能够处理比矩阵更高维度的数据结构。在此基础上，他们提出了包含三个维度的张量模型，分别是用户、物品和用户的行为。通过这种张量分解，算法能够揭示出用户、物品和行为之间复杂的隐含依赖关系。此外，他们还考虑了社交信息作为正则化项，这有助于构建用户之间的信任关系，以进一步提升推荐系统的性能。 在实际应用中，电子商务网站是应用推荐系统的一个典型场景，用户的行为数据（如点击、购买、浏览等）都可用于推荐系统中。通过推荐系统，用户可以更加方便地找到自己感兴趣的商品，商家也能更有效地向用户推送符合其需求的商品，从而提高销售业绩。然而，由于用户在网上的行为数据并不总是完整的，这就要求推荐算法必须能够处理这些不完整或不明确的用户数据，以得到更准确的推荐结果。使用基于张量分解的推荐算法可以更好地处理用户在电子商务网站上的各种行为数据，通过挖掘用户的行为模式和潜在需求来提供更个性化的推荐。 通过社会信息的整合，推荐系统还可以考虑用户的社会网络，利用社会关系的影响力来提升推荐的相关性。这种社会正则化方法能够将用户的社会关系纳入推荐模型，从而使得推荐结果更加符合用户的社交圈影响和个性特征。 这篇论文通过提出一种新的基于张量分解的推荐算法，有效地利用了异构隐式反馈，通过挖掘用户行为数据的深层次信息，提升了推荐系统的性能，尤其在数据稀疏的情况下显示出了更好的推荐效果。这一研究对于推动推荐系统的进一步发展具有重要的理论价值和实际应用前景。

### 基于贝叶斯网络追踪概率数据库中的错误 #### 概述 在现代信息技术领域，概率数据库（Probabilistic Database, PDB）成为处理不确定数据的关键技术之一。随着互联网的发展，各种应用如信息抽取、数据集成、传感器网络及对象识别等产生了大量的不确定性数据。这些不确定性数据的有效管理和查询对许多应用程序至关重要，因此概率数据库的研究变得越来越重要。 然而，在实际操作中，概率数据库往往会包含错误，因为这些数据通常通过大量的人力努力进行咨询、验证和聚合而获得。当利用网络从不同来源提取和整合数据时，这种错误的风险会进一步增加。这些错误可能会导致异常查询结果的出现，从而影响数据分析的准确性和可靠性。 为了解决这一问题，研究人员提出了一种基于贝叶斯网络的方法来追踪概率数据库中的错误。这种方法不仅能够检测到错误的存在，还能够确定哪些数据可能是导致异常查询结果的原因。本文将详细介绍该方法的原理、实现过程及其效果。 #### 贝叶斯网络框架下的错误追踪 为了追踪概率数据库中的错误，本研究采用贝叶斯网络（Bayesian Network, BN）作为表示数据之间关联性的框架。贝叶斯网络是一种图形模型，它通过有向无环图（Directed Acyclic Graph, DAG）来表达变量间的条件依赖关系，并通过概率分布来量化这些依赖。贝叶斯网络可以有效地进行概率推理，非常适合用于处理复杂的数据关联性。 研究团队开发了构建扩展贝叶斯网络（Augmented Bayesian Network, ABN）的技术，用于表示异常查询中输入数据、中间数据和输出数据之间的关联。这个网络不仅包括原始数据的结构，还包含了查询执行过程中产生的中间结果，从而更全面地反映了数据间的关联。 #### 错误的归责与度量 受到因果模型中“归责”（Blame）概念的启发，研究团队定义了一个新的归责度量，用于评估候选错误的重要程度。这个归责度量可以帮助我们确定哪些数据最有可能是导致异常查询结果的原因。 接着，研究团队提供了一种有效的方法来计算每个候选错误的归责度。这一步骤是基于扩展贝叶斯网络上的概率推断完成的。通过概率推断，可以计算出每条数据导致异常的可能性大小，从而确定哪些数据应该优先被修正。 #### 实验结果 实验结果显示，所提出的基于贝叶斯网络的错误追踪方法不仅有效而且高效。通过对比分析，该方法能够在复杂的数据关联环境下准确地定位错误数据，显著提高了数据清洗的效率。 #### 结论与未来方向 本文介绍了一种基于贝叶斯网络的概率数据库错误追踪方法。这种方法利用扩展贝叶斯网络来表示数据间的复杂关联，并通过概率推断来计算错误数据的归责度。实验证明了该方法的有效性和高效性，对于提高概率数据库中数据的质量具有重要意义。 在未来的研究中，可以进一步探索如何将此方法应用于更大规模的概率数据库，以及如何与其他数据清理技术结合，以提高整体数据质量控制的性能。此外，还可以考虑如何优化概率推断算法，以支持更复杂的查询模式和更大的数据集。