LXI-新一代测试总线技术

LXI是继GPIB、VXI和PXI总线技术之后,基于以太网络的新一代自动测试系统模块化构架平台标准.LXI技术构建在久经证明的工业标准上,融合了GPIB 仪器的高性能、VXI/PXI 卡式仪器的小体积以及LAN 的高速吞吐率, 能够快速、高效率、高性价比的构建测试系统.介绍了LXI技术规范,分析了网络消息触发、IEEE-1588时钟同步触发和触发总线等三种定时与同步技术的原理,重点分析了LXI技术特点及其诸多优点,最后简要阐述了LXI的应用前景.     

FC环形通信网络双余度容错的设计与实现

随着航电系统的发展,传统的通信网络传输速率已经不能满足发展需要,因此,FC协议作为新一代的高性能网络通信协议被引入到航电系统中.如何基于FC协议设计出满足航电系统应用需求的通信网络成为FC技术研究的关键.本文介绍了一种面向航电系统应用的基于FC通信协议的双余度环网的设计与实现方案,着重从软硬件两个方面对系统的容错设计给出了说明,最后对系统的容错能力进行了全面的验证.     

无线传感器网络定位算法改进

提出了一种建立在TEEN协议基础之上反应式网络的应用.反应式网络是一种对适时性要求较高的网络,用三角定位法对传感器节点进行定位,在定位的基础上,使得簇首节点的选定更为容易,在一定程度上能节省节点能源、延长网络寿命.     

层次化的网络设计与实现

随着通信技术和计算机技术的发展,网络结构的选择直接影响着网络的运行效率、可靠性和网络安全.层次化网络设计在网络结构设计中比以往使用的非层次化网络设计有着很多优势,也是网络结构的设计趋势.     

时间的模糊区间段表示及其运算

介绍了Allen的区间代数及其扩展--INDU网络,将Heisenberg不确定性原理应用于INDU网络,将INDU的25种基本关系中两区间有端点相等的或区间段相等的这15种关系删除,这15种关系在现实世界中是不可能出现的,就产生了有10种基本关系的FINDU网络,给出了FINDU网络的复合运算表.FINDU网络在军事多自主体系统中可以得到很好的应用.     

飞机液压系统柱塞泵热分析

随着飞机液压系统向高压化、大功率化方向发展,液压系统的发热及温升问题受到了广泛关注。柱塞泵作为液压系统中重要的能量转换装置,对液压系统的功率损失和温度有重大的影响,良好的柱塞泵的热分析对液压系统的热设计和温度控制有重要的意义。然而传统的柱塞泵热分析方法,如平均油温法、软件仿真法和热节点网络法,因不够准确、高效和简洁而不能满足现代飞机液压系统热分析和热设计的相关需求。本文针对飞机液压系统柱塞泵发热的相关问题,采用基于集总参数的热网络分析方法,建立了柱塞泵热网络模型,通过对柱塞泵不同工况下的仿真,验证了模型的有效性和准确性,为柱塞泵及液压系统的热分析提供了参考。     

基于飞行资源分离的航班延误传播研究

在航班串设计及机组排班过程中,经常涉及飞行资源(飞机、机组)分离的问题。而延误航班的飞行资源分离将导致共享资源的衔接航班发生延误,并传播至后续航班串。本文考虑带有飞行资源分离的航班串,利用基于贝叶斯网络的比例风险回归模型,对资源分离后的航班离港延误进行分析。对比两种不同时刻飞机与机组资源分离方案下,各延误因素对衔接航班离港延误,以及整个后续航班串延误时间的影响,结果表明,不同时刻分离方案会造成不同的延误传播效果。本文为飞机、机组资源分离时刻的选择提供了定量分析方法,结果表明,资源分离时刻的不同对衔接航班的离港延误,以及整个后续航班串延误波及时间的影响都不同。     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。