人体的腹部脂肪含量按深度可以分为皮下脂肪SFA(Subcutaneous Fat Area)和内脏脂肪VFA(Visceral Fat Area)，两种脂肪的含量对人体健康具有一定的影响，为了避免测量不同深度的腹部脂肪含量造成的相互干扰。设计了一种基于多频生物电阻抗法BIS(Bioimpedance Spectroscopy)测量人体腹部脂肪的装置，该装置采用四电极多频率的生物电阻抗测量系统，主要包括程控信号发生器模块和幅度相位检测模块。根据选择的最佳的电极相对固定位置及合适的测量方案，可以计算出相应深度

介绍了清华大学微型脉冲强子源(CPHS)中子小角散射谱仪中3He管探测器的前端电子学设计。该谱仪设计采用一维3He管探测器阵列，使用电荷分配法确定中子入射位置。在基于电荷分配法的双端读出电路中，设计者需要考虑更多的因素如高压隔直电容、运放的输入阻抗、成形电路的结构等，这些因素都会给位置分辨带来影响。该文通过分析这些因素的影响，并结合SPICE软件仿真，对电路参数进行优化，给出一个简单可行的电路设计方案，并通过初步实验验证了可行性。

针对基于阵列协方差矩阵特征分解的子空间类算法存在的问题,提出了一种基于改进空间平滑的新方法。首先介绍了“等效信源”的概念,在此基础上分析了当目标数多于发射阵元数时,一些基于子空间类算法失效的原因;从理论上推导说明了在接收阵元数足够多的情况下,本文算法可突破发射阵元数对可估计目标数的限制的机理,从而使得MIMO雷达在发射阵元数较少时能估计更多的目标。仿真结果表明:本文所提方法具有比TDS算法更好的估计性能。

应用宽带叠层贴片天线的设计原理,设计宽频带叠层矩形介质谐振器天线.在矩形介质谐振器和金属地板之间插入空气缝隙或低介电常数的薄介质片,可有效降低介质谐振器的Q值,展宽介质谐振器天线的带宽.所设计的矩形介质谐振器天线带宽达59 .4 %,天线带内增益在4.5～6.0 dBi之间.仿真和实验结果对比验证了该设计原理的正确性及有效性.

首先介绍了认知无线电技术产生的背景，以及强化学习的发展和应用于认知领域的优势；接着对强化学习的基本原理及其2个常见的模型Q-Learning和POMDP作了介绍,并对其模型定义、思想、所要描述的问题和使用的场景都做了较详细的阐述；然后针对这个方向最近几年的顶级会议和期刊论文，分析了其主要内容；通过最近几年的学术、会议论文中所述的研究现状及成果，说明强化学习的主要特点是能够准确、快速学习到最优策略，能够模拟真实环境，自适应性强，提高频谱感知、分配效率，从而最大化系统吞吐量，这些优势充分证明了强化学习将是认知

福特2012年新福克斯2.0手动，北美版原车PCM固件

运用现代设计方法进行了某汽车差速器齿轮静强度分析和疲劳寿命预测。将几何模型导入HyperMesh中，利用壳单元和实体单元划分网格，并建立合适的MPC单元以方便载荷和约束的施加。根据齿轮的对称性，建立了行星齿轮和半轴齿轮单齿的有限元模型。利用有限元分析软件ANSYS进行行星齿轮和半轴齿轮静强度分析。分析结果表明所设计的齿轮能满足强度要求。基于齿轮有限元分析结果，利用疲劳分析软件MSC．Fatigue得出行星齿轮和半轴齿轮寿命云图及最低疲劳寿命，均满足寿命要求。

在对称a稳定分布噪声的假设下，现有的基于共变和分数低阶矩的MUSIC(即ROC-MUSIC和FLOM-MUSIC)方法不能用于均匀圆阵信源相干情况下的波达方向(DOA)估计. 为了解决这一问题，基于模式空间变换算法以及空间平滑算法的思想，结合ROC-MUSIC算法和FLOM-MUSIC算法，实现在冲击噪声背景下均匀圆阵相干信源的DOA估计仿真实验验证了该方法的有效性 ### 冲击噪声背景下均匀圆阵相干信源的DOA估计 #### 摘要与背景 本文讨论了在对称α稳定分布噪声环境中，如何有效地进行均匀圆阵相干信源的波达方向（Direction of Arrival, DOA）估计。在这样的噪声环境下，传统的基于共变系数（Robust Covariance, ROC）和分数低阶矩（Fractional Lower Order Moments, FLOM）的MUSIC算法无法有效应用。为此，提出了两种新的算法：基于共变系数的模式空间平滑算法（ROC-MODESPACE-SS）和基于分数低阶矩矩阵的模式空间平滑算法（FLOM-MODESPACE-SS）。这两种算法通过结合模式空间变换算法和空间平滑算法的思想来解决相干信源的DOA估计问题，并且在冲击噪声背景下实现了有效的估计。 #### 关键概念解释 1. **冲击噪声**：冲击噪声是指那些具有非高斯分布特性的噪声，通常在实际环境中更为常见，例如大气噪声、海杂波噪声和无线信道噪声等。这类噪声的特点是峰值较高，且可以用对称α稳定分布来建模。 2. **对称α稳定分布**：这是一种特殊的概率分布函数，其中α表示分布的特征指数。在α稳定分布中，只有当α=2时才对应于高斯分布，其他情况下，分布会表现出更重的尾部，即更高的峰值和更频繁的极端值。 3. **MUSIC算法**：Multiple Signal Classification（MUSIC）是一种经典的子空间估计方法，被广泛用于信号处理中进行DOA估计。它通过构造信号和噪声的子空间来区分它们，并利用这些子空间的信息来估计信号的方向。 4. **ROC-MUSIC**与**FLOM-MUSIC**：这是两种改进的MUSIC算法，旨在提高在非高斯噪声环境下的性能。ROC-MUSIC基于共变系数，而FLOM-MUSIC则基于分数低阶矩矩阵来构造信号子空间。 5. **模式空间变换算法**与**空间平滑算法**：这两种算法都是用来处理相干信源问题的技术。模式空间变换算法通过将阵元空间变换到相位模式空间来解决相干问题；空间平滑算法则通过虚拟阵列技术减少信源之间的相关性。 #### 方法介绍 - **ROC-MODESPACE-SS**：此算法首先采用空间平滑技术来减少相干信源的影响，然后通过模式空间变换将原始数据转换到相位模式空间，在这个空间里利用ROC-MUSIC算法来进行DOA估计。 - **FLOM-MODESPACE-SS**：与ROC-MODESPACE-SS类似，此算法也采用了空间平滑和模式空间变换技术，但最后使用的是FLOM-MUSIC算法来进行DOA估计。 #### 实验验证 为了验证提出的两种算法的有效性，文中进行了仿真实验。实验结果表明，相较于传统算法，新提出的ROC-MODESPACE-SS和FLOM-MODESPACE-SS算法在冲击噪声背景下能更准确地估计相干信源的DOA，尤其是在高相干度和低信噪比的情况下表现更加突出。 #### 结论 本文针对冲击噪声背景下的均匀圆阵相干信源DOA估计问题，提出了两种新的算法：ROC-MODESPACE-SS和FLOM-MODESPACE-SS。这两种算法通过结合空间平滑技术和模式空间变换技术，有效地解决了相干信源DOA估计的问题，并且在实验中展示了良好的性能。这对于在复杂噪声环境下提高阵列信号处理系统的性能具有重要意义。

设计了一种基于USB的圆度误差测量系统．该系统以MSP430F149单片机作为下位机，由单片机自带的12位A／D模块采集传感器数据，通过USB接口芯片PDIUSBDl2将数据传给上位机．上位机以LabVIEW为软件开发平台，利用LabVIEW强大的数据处理能力对采集的数据进行实时处理、分析和显示，实现了圆度误差的自动测量．与同类产品相比，该系统具有硬件电路简单、成本低、速度快等优点．

采用针对静态背景下的基于Surendra背景更新算法的背景减除法对运动人体进行检测.为视频场景建立自适应的背景模型，通过原始图像和背景模型差分获得前景图像，再对检测出来的图像进行了二值化、数学形态学分析、连通分析、尺度归一等一系列图像预处理工作，为跟踪与识别奠定了基础.重点讨论了二值化自适应阈值选择的多种方法，总结出Kapur熵阈值选取法的优越性. ### 用于步态识别的行人轮廓提取 #### 摘要与引言 本文提出了一种基于Surendra背景更新算法的背景减除法来检测静态背景下的运动人体。为了实现这一目标，首先为视频场景建立了一个自适应背景模型。然后，通过原始图像与背景模型之间的差异提取前景图像。接下来，对提取出的图像进行一系列预处理操作，包括二值化、数学形态学分析、连通分析以及尺度归一化等，这些操作为后续的跟踪与识别提供了基础。特别地，本文重点讨论了二值化过程中自适应阈值选择的多种方法，并总结出了Kapur熵阈值选取法的优势。 #### 运动人体检测 在步态识别领域，准确地检测和提取行人的轮廓是非常关键的一步。目前，常见的运动人体检测方法主要有三种：背景减除法、帧间差分法和光流法。本研究中采用的是背景减除法。 ##### 背景减除法 背景减除法是一种常用的方法，它通过对比当前帧与背景模型之间的差异来提取前景物体。背景模型可以通过多种方式建立，其中一种方法是利用Surendra提出的背景更新算法。这种方法可以动态调整背景模型以适应环境的变化，从而提高检测的准确性。 #### 图像预处理 在获取到前景图像之后，需要对其进行一系列预处理操作以去除噪声并提取有用信息。这些预处理步骤包括： 1. **二值化**：将图像转换为只有黑白两种颜色的二值图像。选择合适的阈值是关键，因为不同的阈值会影响到前景的提取效果。本文讨论了多种自适应阈值选择方法，并强调了Kapur熵阈值选取法的优点。该方法通过最大化图像的信息熵来确定最佳阈值，从而在保持图像细节的同时减少噪声的影响。 2. **数学形态学分析**：通过对图像进行膨胀和腐蚀等操作来去除小的噪声点或填充物体内部的小孔洞，进而优化图像的质量。 3. **连通分析**：识别和分离图像中的连通区域，这对于区分不同的人体轮廓至关重要。 4. **尺度归一化**：由于不同人或者不同拍摄角度可能会导致图像尺寸的变化，因此需要对图像进行尺度归一化，以确保所有图像具有相同大小，方便后续处理。 #### 二值化阈值选择 在二值化过程中，阈值的选择对于提取高质量的行人轮廓至关重要。本文探讨了多种阈值选择方法，并指出Kapur熵阈值选取法的优势。这种方法的基本思想是通过最大化图像的信息熵来确定最佳阈值。信息熵表示图像中灰度级分布的不确定性。当图像被分割成前景和背景两部分时，每一部分的信息熵应该尽可能大，这意味着分割后的两部分应该具有最大的区别性。Kapur熵阈值选取法通过计算每个可能的阈值对应的总熵，并选择使总熵最大的阈值作为最佳阈值。这种方法能够自动适应图像的亮度变化，从而提高轮廓提取的准确性。 #### 结论 本文介绍了一种用于步态识别的行人轮廓提取方法，该方法通过背景减除法检测运动人体，并对提取的图像进行了一系列预处理操作，包括二值化、数学形态学分析、连通分析以及尺度归一化等。特别是，在二值化过程中，采用了Kapur熵阈值选取法来自动确定最佳阈值，这种方法能够有效提高轮廓提取的准确性。通过这些技术和方法的应用，可以为步态识别提供更加可靠的基础数据。