改进的P型迭代学习控制算法

针对多输入多输出的定常线性系统的迭代学习控制问题, 给出改进的P型迭代学习控制算法, 该算法中利用最新算出的控制分量代替旧的控制分量, 这样可以加快控制输入的收敛速度, 利用该算法进行学习控制, 使系统的实际输出以更快的速度收敛于系统的理想输出.     

大二进制对象在计算机能力考试系统中的应用

以作者所开发的计算机考试系统为例，阐述了大二进制对象数据类型(BLOB)使用方法，包括将一个大对象（文本、图像、声音等）存入一个BLOB变量中、通过BLOB变量读写数据库中的大对象等内容。     

基于Hopfield神经网络和KS函数的优化设计研究

介绍了Hopfield神经网络优化的原理。将神经网络的求解转化为非线性微分方程组的初值问题，并利用MATLAB提供的微分方程组求解器进行计算。对于多约束优化问题，KS函数的包络凝聚特性可以简化约束条件，其光滑可微特性又方便了问题的求解。将其运用于非线性约束规划和某型飞机总体参数优化问题，算例表明此方法是有效的。     

基于UML的CITIS建模分析

该文对‘恃续采办与寿命周期保障”(Continuous Acquisition and Life-cycle Support,CAL5) 战略的核心组成部分——承包商综合信息服务(Contractor Integrated Technology Information Service,CITIS)进行了建模分析。根据承包商综合信息服务在实现‘特续采办与寿命周期保障”中的作用提出了CITIS的参考结构,并采用面向对象的分析方法,从分析CITIS系统需求、静态结构模型和动态模型三个方面提出了一种基于标准化建模语言(UML)的CITIS建模方案, 对于采用C++、Java等面向对象语言编程构建系统有重要的参考价值。     

一种新型数字高精度伪码快速捕获延迟锁定环的设计与实现

介绍了一种新型全并行快速捕获延迟锁定环的设计与FPGA实现,捕获时间小于等于一个伪码周期,抗干扰容限大于80 dB。此快速捕获延迟锁定环实现127路全并行捕获和高精度跟踪,仅需存储130个PN码表,相对于其他并行捕获延迟锁定环或串并结合的环路,存储量约小2/3,并具有较高捕获精度。     

利用改正数信息的北斗三号实时精密单点定位及性能分析

北斗三号全球卫星导航系统已正式建成并开通服务。为了利用实时改正数信息系统地揭示北斗三号精密单点定位性能，并为用户提供理论依据和应用参考，首先解算了卫星实时精密轨道、钟差及其改正数，分析了其精度。然后基于实时改正数信息，利用监测站广播星历和观测数据，分别进行了双频静态、双频仿动态、单频静态和单频仿动态仿实时精密单点定位，以评估其性能。结果表明：北斗三号MEO卫星实时轨道和钟差精度均值分别约为12cm和0.2ns，满足实时精密单点定位需求。静态实时精密单点定位精度优于动态，双频优于单频，均可达到分米级。对于定位收敛时间，双频静态最短，约为40min；双频动态和单频静态均约为85min；单频动态最长，约为120min。     

网络计费数据采集方法与应用实现

计费功能是网络管理中一个重要的基本功能,如何快速准确的采集到用户的相关计费数据,是实现高效计费功能的关键。本文通过对IP用户和拨号用户接入方式和适用计费协议分析,提出用SNMP协议命令读写路由器计费相关的MIB值和在网络底层中"侦听-转发"IP数据包的设计思想,进行用户计费数据地采集。在Windows平台上用VC++工具实现了网络计费数据采集功能模块,此模块具有一定的应用价值。     

直升机涡环状态试验数据处理研究

采用神经网络误差反向传播算法,以旋翼涡环状态试验数据为基础,研究了桨叶负扭度对直升机涡环状态特性的影响,分析了负扭度变化对旋翼扭矩、拉力平均值及脉动幅度的影响。计算结果表明,神经网络模型能够准确预测桨叶负扭度对直升机涡环状态的影响。     

基于ANFIS的蒸汽发生器水位实时控制系统的设计

从蒸汽发生器的水位特性出发，对其水位高度控制原理进行了深入细致的研究。鉴于控制对象的模糊性、不确定性和非线性，采用自适应神经元模糊推理(Adaptive neuron fuzzy inference system，ANFIS)技术，建立了模糊控制规则库，实现了对蒸汽发生器水位的智能控制。本文详细阐述了ANFIS技术的结构、控制方式和系统的主要功能，完成了软、硬件的综合设计，并进行了仿真研究。控制系统的硬件采用了DSP芯片，以保证系统的实时性；软件采用了模糊一神经网络算法，以克服系统模型的不确定性。仿真结果表明，该控制系统工作稳定可靠，具有较高的控制精度和较强的鲁棒性。     

关于稀疏分布存贮模型中A连接权阵的讨论

Ｋａｎｅｒｖａ的稀疏分布存贮模型由于对寻址地址采用了稀疏编码，对数据采用了分布式存贮，从而解决了大维数向量的输入问题，ＳＤＭ实际上是一个由输入层，中间层和输出层组成的三层前向网络，其中神经元间的互迦权值在输入层与中间层是预置的（用矩阵Ａ表示），中间层与输出层的连接权阵Ｃ由外积法得到，文中假定在相同的学习规则下，就信噪比意义而言，Ａ的均匀预置能使ＳＤＭ获得最优性能，从而为Ａ的预置提供了理论依据。