排序方式: 共有74条查询结果,搜索用时 0 毫秒
71.
聚并苯纳米颗粒与聚丙烯复合制备新型抗静电阻燃材料 总被引:2,自引:0,他引:2
用聚并苯纳米颗粒作为新型导电填料代替导电炭黑和石墨等, 制备出具有抗静电阻燃性能的纳米聚并苯/聚丙烯复合材料. 测定了复合材料的渗流转变区, 讨论了纳米聚并苯含量对复合材料体积电阻率和表面电阻率的影响. 实验结果表明, 所制备复合材料的渗流转变发生在纳米聚并苯质量分数为16.7%-28.6%范围内, 当纳米聚并苯含量为28.6%时, 体积电阻率下降至2.09×107 Ω·cm. 另外, 阻燃性能研究结果表明, 当纳米聚并苯质量分数为23.1%时, 复合材料在空气中可以自熄, 因而可应用于矿井中抗静电阻燃塑料管道. 相似文献
72.
73.
由于现在室内环境的复杂度越来越高,室内非视距情况下定位误差的影响逐渐增大,如何降低其影响显得尤其重要。定位技术选用的是UWB室内定位技术,其中,卡尔曼滤波在降低室内非视距定位误差方面有着广泛的应用,针对其在视线线路与非视距场景转换过程中会产生新的误差的问题,提出了一种基于CHAN的改进卡尔曼滤波定位算法。采用5个或以上基站的测距结果构建定位解算方程组,选取在非视距情况下定位误差敏感的CHAN算法进行解算,将解算结果与各基站的位置进行残差处理,并划分出不同的置信区域。对于不同置信区域,预先设定匹配的卡尔曼滤波增益系数K,提高视线线路和非视距场景转换的定位结果稳定性,降低转换过程中的定位误差。实验结果表明,在仿真环境中,所提算法可将误差降低至80 cm左右;在实际应用中,可将复杂场景下的定位误差降低至60 cm,比正常复杂室内定位精度提高60%。 相似文献
74.
针对复杂的多智能体应用场景中只依靠根据最终目标设计的简单奖励函数无法对智能体学习策略做出有效引导的问题,提出了一种基于平均场内生奖励的多智能体强化学习(Model-based Multi-agent Mean-field Intrinsic Reward Upper Confidence Reinforcement Learning, M3IR-UCRL)算法。该算法在奖励函数中增加了内生奖励模块,用生成的内生奖励与定义任务的外部奖励一起帮助代表智能体在用平均场控制(Mean-Field Control, MFC)化简的多智能体系统中学习策略。智能体学习时首先按照期望累积内外奖励加权和的梯度方向更新策略参数,然后按照期望累积外部奖励的梯度方向更新内生奖励参数。仿真结果表明,相比于只用简单外部奖励引导智能体学习的(Model-based Multi-agent Mean-field Intrinsic Reward Upper Confidence Reinforcement Learning, M3-UCRL)算法,所提算法可以有效提高智能体... 相似文献