基于树莓派4B的云原生Kubernetes计算集群实验设计

基于三台树莓派4B单板计算机,搭建了包含一个Master节点和两个Node节点的Kubernetes计算集群,实现了云原生应用的便捷部署、自动编排和可靠运行。首先构建微服务组件,然后基于Docker实现组件程序容器化,最后将微服务系统部署于Kubernetes集群,实现了自动伸缩、负载均衡、资源调度和可观察性等服务治理特性。该实验涵盖了云原生程序从开发到容器化、再到集群部署并提供服务的全过程,并且以低成本的树莓派4B裸金属机器为集群硬件设施,实现了完整本地物理集群的构建。学生通过该实验的学习实践,能够更好地掌握云计算集群的设计思想和实践经验,更全面地理解云原生服务的概念、原理和构建方法。

基于无人驾驶方程式赛车的电池箱联合仿真实验设计

考虑电池的安全性能和环境参数复杂性,设计并搭建了适合中国大学生方程式无人驾驶赛车大赛的电池实验系统。以Simulink模块化编程为基础,结合控制理论、热力学、车辆运动学以及电气工程相关知识,完成了电池箱实时放电、散热情况的仿真模型。该实验系统能够用于实验教学,通过对无人驾驶赛车电池箱设计,能提升学生综合实践能力。

基于STM32的智能家居物联网系统实验设计

设计一个浏览器-服务器模式的智能家居物联网系统实验,涵盖完整的应用层、网络层和感知层等物联网3层架构,实现监测家居环境和控制家用电器。利用Javascript脚本语言设计HTML浏览器页面,基于STM32单片机移植LwIP协议并构建轻量级Web服务器,使用传感器采集环境数据。学生通过从无到有地搭建完整的物联网系统,可深刻理解物联网底层技术原理。实验系统各部分的松耦合特性使得系统便于扩展更新、灵活部署,实验所用器材成本较低;场景贴近实际生活,系统功能多样,有利于激发学生动手兴趣。

一种用于电类实验测量数据判决的改进KNN算法

电类实验教学过程中人工评判学生所测数据工作烦琐,影响了教学质量和效率。该文提出了改进的K近邻(K-nearest neighbors,KNN)分类算法,即基于均值漂移、安全间隔和核主成分分析(KPCA)的M-KPCA-KNN(KNN based on margin and KPCA)算法,以判断学生测量数据正确与否和错误原因。首先利用KPCA对高维实验数据进行降维,然后利用均值漂移向量找到不同类别数据的最密集位置,并在不同类别数据的边界设置安全间隔,最后,将与待测样本距离最近的k个数据设置权重,计算每个类别的权重和,权重和最大的类别为待测样本的类别。与现有的KNN算法相比,M-KPCA-KNN算法不仅提高了分类正确率,而且降低了时间复杂度。

基于离群点检测的电类实验教学中错误数据判决算法

电类实验教学在高等院校中覆盖面广,实验过程中学生所测数据量大,人工评判数据工作繁琐。随着在线实验教学的普及,迫切需要一种实验数据智能评判的方法。依据Mean Shift思想提出一种基于距离的离群点检测(MSOD)算法,以理论计算值作为初始点,沿着概率密度梯度的方向寻找数据集最稠密的位置,与该位置的距离大于某一特定值的数据为离群点,离群点数据即为测量有误的数据。实验结果表明,MSOD算法识别错误实验数据的效果较好,可以有效地减少实验教学中重复繁琐的人工评判数据的工作,节约人力成本,提高实验教学效率。与现有的离群点检测算法比较,MSOD算法提高了错误数据识别的正确率,并且降低了时间成本。

基于MBD的线控底盘实验设计方法

模型设计(Model based Design,MBD)方法被广泛用于汽车嵌入式设计开发。近些年随着智能网联汽车的发展,其Simulink模型也越来越复杂,从上万行代码跃升至百万级以上代码。因此需要对功能模型进行适当的分解,以促进代码的可维护性、可理解性。设计并搭建了基于MBD的线控底盘微缩模型。以Simulink模块化编程为基础、结合控制理论、车辆运动学以及电气工程相关知识,完成了无人驾驶阿克曼底盘的仿真模型,并将仿真代码烧录到实车。该实验系统能够用于实验教学,并通过基于MBD教学方法,提升学生线控底盘的设计能力。