网络处理器编程模型研究

随着网络带宽的提高以及大量新协议及服务的出现,传统基于专用硬件芯片或者软件的网络处理技术很难同时兼顾高性能和灵活性两方面的要求.网络处理器的高速处理和灵活的可编程性使得它成为解决当今网络数据处理的有效解决方案.本文分析了目前在网络处理器应用开发中存在的问题和面临的挑战,介绍了网络处理器编程模型以及目前相关研究工作,并展望了其未来的发展方向.     

飞行器气动隐身一体化设计方法研究

针对典型的翼身组合体飞行器构型,对飞行器气动隐身一体化设计的具体实现方法进行了探索。通过采用面元法计算飞行器气动性能,采用物理光学方法来计算其雷达散射截面积,实现了基于遗传算法的飞行器气动性能与隐身性能两个目标函数之间的折衷与优化。并在此基础上建立了上述算法的并行处理方法;提出了旨在提高优化计算效率的响应面方法,在响应面方法中,响应函数模型分别采用了神经网络模型和模糊逻辑模型来进行构造,对设计算例均得出了比较好的优化设计计算结果。     

GNSS干扰信号检测方法研究

研究了GNSS导航接收机在干扰源条件下的干扰检测和识别技术。除常见的卫星干扰如脉冲干扰、扫频干扰、BPSK干扰、宽带高斯白噪声干扰外,还添加了QPSK和8PSK干扰进行建模分析,并提取了常见的特征参数,如信号3dB带宽和频谱峰度等。通过研究,高阶累积量被提取作为MPSK干扰类内识别的特征参数。研究了基于决策树和BP神经网络等分类器算法的干扰盲识别,并分析比较了这些分类算法的识别准确率,为抗干扰领域的研究提供了重要参考。     

航空电子系统FC交换式网络的可靠性研究

 对于采用光纤通道(FC)互连的航空电子系统，从FC的基本模型出发，给出了由多个FC交换机组成的FC交换式网络的通信模型；采用基于任务的可靠性建模方法，给出了FC交换式网络的可靠性计算公式，并提出了任务基本路径的概念。根据航空电子系统提高可靠性的需要，提出了FC交换式网络的2种冗余拓扑结构：基本路径冗余和全网络冗余；最后通过实例分析了端口单元、交换要素单元和链路单元对FC交换式网络及2种冗余拓扑结构可靠性的影响；FC交换式网络可靠性的研究对于航空电子系统设计阶段的容错设计和拓扑选择都将起到指导作用。     

用于光传操纵系统的超高速实时光纤网络研究

综合星型及环形拓扑结构的优点,提出一种用于光传操纵系统的超高速实时光纤网络设计方案。所给出的余度设计及分布式共享内存策略增强了整个光传系统的可靠性及容错性能。应用动态数据分组技术既提高了小数据量的传输效率,又提高了大数据量突发传输时的吞吐量。实际性能测试及地面物理飞行仿真验证表明,系统数据传输速率可达2.12Gbps,具有很强的实时性及信息传输确定性,适应了机载环境下光传飞行控制及航空电子系统不断发展的需求。     

人工神经元网络在铸钢件工艺设计中的应用

以人工神经元网络实现铸钢件几何模数、挂砂层种类、挂砂层厚度、冷铁厚度与凝固模数之间的非线性映射关系，网络对检验样本的输出误差小，误差分布合理，能根据铸钢件的凝固补缩要求快速准确地确定铸钢件外冷铁工艺参数。     

材料设计中的BP神经网络技术

论述了BP神经网络在材料设计中的应用技术、现状和发展趋势。根据材料设计的要求，建立用于材料设计的模型，并对模型建立与参数选择进行了分析，为BP网络用于材料设计提供了依据，为材料性能的设计与优化提供了有效途径。     

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

信息技术对企业组织结构的影响

企业所面临的环境日益复杂,信息技术的发展给了企业一个变革自我适应环境的有利工具.在运用信息技术的过程中,企业组织结构也要相应变化.通过组织结构的四个维度:形式化、专业化、集权程度、权力层级,讨论了信息技术对企业组织结构的影响,并指出网络组织是未来企业的主要组织形式之一.     

基于自组织映射网络的故障诊断推理方法研究

从故障诊断基本形式出发，结合飞机刹车系统故障的各类特点，研究了基于Kohonen自组织映射网络理论的故障推理模型，并且应用到起落架刹车系统故障诊断中。该方法只需选择听，具有代表性的故障样本训练神经网络，他将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断出发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强，速度快，因此，很符合复杂系统的故障诊断。