朱敏 作品数:35 被引量:39 H指数:4 供职机构: 常州信息职业技术学院 更多>> 发文基金: 国家自然科学基金 江苏省高等教育教改立项研究课题 更多>> 相关领域: 自动化与计算机技术 文化科学 电子电信 电气工程 更多>>
电子信息储物设备 本发明涉及一种电子信息储物设备。所述电子信息储物设备包括框架、设置于所述框架中的多个储物抽屉、处理器以及控制屏,所述多个储物抽屉活动地设置于所述框架中,每个储物抽屉上设置有驱动机构,所述处理器设置于所述框架上并与所述多个... 朱敏文献传递 基于多跳推理的篇章情感分析模型 被引量:1 2021年 为进一步提高篇章情感分析准确率,考虑到文档语义的复杂语言学层级结构,结合多跳推理网络将情感分析任务转化为阅读理解任务,提出了一种基于多跳推理的篇章情感分析模型。篇章常常包含情感倾向不同的句子,该结构首先在单词层级使用辅以位置编码的循环网络学习得到句子向量表示,然后在句子层级使用基于注意力机制的循环网络得到当前轮次文档向量,迭代得到最终文档向量,再经过全连接层预测输出。在IMDB和Yelp数据集上的实验结果表示,相较于不考虑文档层级结构的模型和不使用多跳推理的层级模型,所提出的模型具有更好的实验结果。 朱敏 班浩 赵力关键词:层级结构 空间机器人末端抗干扰优化控制方法 2022年 存在外部干扰以及模型参数不精确时,自由漂浮空间机器人(Free-floating Space Robot,FFSR)末端控制精度无法保证且输出力矩将明显增大,针对此问题提出了一种基于干扰观测器的优化控制方法。首先,根据拉格朗日方程和动量矩守恒定律获得了FFSR的动力学方程和运动学方程表达式。而后,基于FFSR名义模型设计SDRE优化控制器,实现输出力矩和输出误差两项指标的最优化。进而,为克服外部干扰以及参数误差引起的模型不确定性,设计非线性干扰观测器对不确定部分进行在线估计,并反馈到控制器输入中,进一步提高机器人末端轨迹跟踪精度。最后,以两自由度的二连杆空间机器人为对象进行Matlab/Simulink仿真。结果表明:当开启干扰观测器时,这里所提方法在末端跟踪精度以及控制器输出力矩这两项指标上均有明显改善。 朱敏 陈山关键词:自由漂浮空间机器人 干扰观测器 信号控制收发柜 本发明涉及一种信号控制收发柜。所述信号控制收发柜包括框架、设置于所述框架中的多个储物抽屉、处理器以及控制屏,所述多个储物抽屉活动地设置于所述框架中,每个储物抽屉上设置有驱动机构,所述处理器设置于所述框架上并与所述多个驱动... 朱敏文献传递 电子信息储物设备 本发明涉及一种电子信息储物设备。所述电子信息储物设备包括框架、设置于所述框架中的多个储物抽屉、处理器以及控制屏,所述多个储物抽屉活动地设置于所述框架中,每个储物抽屉上设置有驱动机构,所述处理器设置于所述框架上并与所述多个... 朱敏文献传递 基于LabVIEW的云模型发生器的设计与实现 被引量:4 2012年 云模型发生器是指被软件模块化的云模型生成算法。利用LabVIEW软件平台丰富的数据处理和界面表达功能,设计实现了一维正向云模型发生器、X条件云发生器、Y条件云发生器和逆向云发生器,并对该云发生器的发生效果进行了分析,得到了理想的结果。该云发生器可封装成固化程序,为云模型不确定性推理研究提供基础。 陈琳 朱敏 李众关键词:云模型 云发生器 LABVIEW 电子信息移动终端 本发明涉及一种电子信息移动终端。所述电子信息移动终端包括手机本体与保护组件,所述手机本体上设置有显示屏,所述保护组件包括多个可撕除贴膜,所述多个可撕除贴膜层叠地贴设于所述显示屏上,所述多个可撕除贴膜均为透明贴膜。所述电子... 朱敏文献传递 基于LabVIEW的真随机数云发生器的设计 被引量:6 2013年 云发生器是构造云模型不确定性推理和设计云模型智能控制器的基础,全面论述了一种基于硬件真随机数云发生器的实现方法。首先设计一种基于雪崩噪声电路产生的真随机数序列发生器,利用LabVIEW平台构建测试系统对其进行一系列特性检验,进而将该真随机数序列转换为正态分布的真随机数作为云发生器的随机数源,最后设计一种真随机数云发生器算法,并通过LabVIEW平台编程实现。实验结果表明,该真随机数云发生器生成结果十分理想,可为云模型不确定性推理后续研究提供基础。 朱敏关键词:真随机数 云模型 云发生器 LABVIEW 变电所火灾早期报警监测系统的设计与实现 2007年 介绍了一种变电所火灾早期报警系统的设计方法,阐述了该系统的硬件组成、软件结构和系统功能。该系统利用传感器技术和虚拟仪器技术,以LabVIEW为平台,实现了对现场数据的监控、传输、处理、告警和历史查询等功能。 王丽琴 朱敏 季小燕关键词:变电所 火灾报警 气体监测 温度监测 虚拟仪器 基于类物体采样方法的多类别物体识别 2017年 提出一种基于类物体区域检测的BoW(Bag of Words)框架物体识别方法,采用改进的BING(Binarized Normed Gradients)算子检测分割出图像中的可能物体区域后,利用RootSIFT算子提取特征,送入后续BoW框架进行物体类别识别.将该方法应用于PASCAL VOC2007图像集,试验结果表明:相较于整幅图像的特征计算,将特征提取与匹配限定在固定的可能物体区域的做法可以提高计算速度和识别效率.此外,该方法在VOC2007图像集上达到了平均33.45%的识别准确率,优于相关文献算法. 张志柏 朱敏 孙传庆 牛杰