C语言程序设计中若干问题的探讨

详细介绍了在C语言程序设计中遇到的一些疑难问题及其解决的方法，其中涉及到比较运算，数组，函数，指针等方面的问题。在C语言中输人多余的留在缓冲区中数据要及时用fflush()函数清理；数组的长度是固定，但可借助指针变量来实现数组的动态存储；作函数形参的数组并不是真正的数组，而是指针，可用指针的方式来引用。     

考虑可压缩与热传导的壁面函数边界条件及其应用

考虑到可压缩和热传导效应的壁面函数边界条件,被耦合到了采用k-ω两方程湍流模型、用有限体积法求解N-S方程的程序中。壁面函数基于耦合的速度和温度型,并且在边界层内的粘性子区和对数区内一致有效。引入壁面函数边界条件后,通过算例验证在y <100的范围内,得到的物面压力、摩阻、热流与实验结果比较,结果可靠。而无壁面函数边界条件时,要得到相同精度的结果,要求y ≈1。壁面函数的引入,为工程上准确预测飞行器在湍流流动中表面受力与气动热提供了保障。     

基于神经网络的电机智能保护器研究

介绍了一种电机智能保护装置系统，分析了对电动机进行各类保护的原理，并且针对过载保护．提出一种基于人工神经网络的电动机长期过载运行温升预测的算法，将这种算法应用于实际的保护中．有效地弥补了不能用数学模型精确描述电机运行中发热和散热过程的缺陷。实验证明，在样本足够多的情况下，这种方法是切实可行的。     

家电企业营销链整合的途径

营销链是家电企业参与市场竞争的关键环节，对其流通网络的再造具有重要作用，文章总结了家电企业营销链整合的三个途径，分析了渠道自身剥离、建立产销联盟和发展代理销售等可供借鉴的有效方法。     

幂指函数在非线性规划中的应用

给出一种自适应近似函数－幂指函数f^-(x)在非线性规划中的收敛算法。它采用minx∈Enf^-(x)的最优解序列｛x^-｝去逼近原问题minx∈Enf^-(x)的最优解x^*.与传统优化算法相比：该算法最优解｛x^-｝可以通过f^-x(x)=0直接解析得出；该算法不要求序列｛f(x)^k｝具有单调减特性，却能够保证算法的收敛性，该算法的计算量对变量的维数不敏感，从而具有广泛的应用前景，从方法论上，它是采用“特殊非线性”来研究“一般非线性”的一种新方法。     

自动测试系统适配器自动设计技术

 针对当前自动测试系统（ATS）适配器设计中存在的“自动化程度较低、缺乏通用性”的不足，开发了ATS通用适配器自动设计技术。建立了一整套通用适配器自动设计流程，在依次完成通用端口设计、UUT测点资源匹配、适配器开关网络设计、相关工程设计后即可实现自动设计一个通用适配器的目的。以某机载通讯设备自动测试系统为例，采用该技术可缩短ATS适配器开发周期至原来的1/3，降低开发成本，提高设计的标准化、通用化程度，适配器需要量由5个减为1个。     

基于信息熵的舰艇编队反导作战效能

介绍了利用信息熵描述交战网络中信息总量的方法。根据作战任务实际完成时间与期望完成时间之间的关系描述了信息传递的质量。说明提高网络中信息总量可以缩小反舰导弹所在的不确定区域;提高信息传递质量可以提高舰艇编队反导作战预警雷达的探测概率,并结合具体作战想定给出实例仿真结果。     

飞机纵向运动参数BP神经网络估算

针对飞机纵向运动方程复杂,现有的气动参数获得方法实现困难,不便于分析与控制飞机的运动,文中利用BP神经网络进行参数估算,建立了飞机短周期纵向运动参数估算的BP神经网络模型。研究了不同神经网络结构、不同的激励函数对飞机纵向参数估算BP网络模型的影响作用,进行了数字仿真,对误差进行原则性分析并提出改进措施。仿真结果表明,这种方法能较好的估计纵向运动方程中的未知参数。     

基于模糊聚类的模糊神经网络在非定常气动力建模中的应用

建立了一种基于模糊聚类的模糊神经网络模型.该模型利用模糊聚类技术确定系统的模糊空间和模糊规则数,利用BP算法调整模糊神经网络的权系数.应用该模型对某飞机模型做俯仰-滚转耦合运动的非定常气动力进行了辨识.结果表明,基于模糊聚类的模糊神经网络计算速度快,辨识结果与实验结果符合较好.用模糊聚类技术可以解决模糊神经网络的结构辨识问题,基于模糊聚类的模糊神经网络可以很好地用于复杂机动飞行的非定常气动力建模.     

高维小失效概率下的改进线抽样方法

 针对隐式极限状态方程的可靠性分析，提出了一种基于失效域样本模拟的高效线抽样法。该法采用马尔可夫链来快速得到失效域中的条件样本，利用这些失效域中的样本可以得到线抽样的重要方向，并且这些样本还可以作为线抽样的样本，来得到隐式极限状态方程失效概率的估计值。由于该法可以较准确地得到线抽样方法的重要方向，因此线抽样的效率可以得到提高，另外失效域的样本又可以作为线抽样的样本，从而进一步降低所提方法的计算工作量。算例表明所提算法的计算精度和效率均高于传统线抽样方法。