基于矢量网络分析仪的相对介电常数扫频测量

采用波导短路法对介质材料的相对介电常数进行扫频自动测量,通过VC＋＋开发了一套宽频带（8GHz~18GHz）复介电常数自动测量系统。用矢量网络分析仪对波导采样器进行扫频测量,不仅可以得到被测材料介电常数的频率特性,而且能够解决超越方程多值解的判断问题,并减少了测量中的误差。通过对介质样品的实际测量,可以发现,该自动测量系统操作简单、测量速度快,测量结果能够达到较高准确度,结果令人满意。     

服役环境下材料S-N曲线的BP模型

目前常规条件下各种金属材料的S—N曲线已基本完备，但是考虑腐蚀环境影响的S—N曲线还很少见。本文研究了在加速腐蚀当量环境谱作用后，LY12-CZ铝舍金材料的S—N曲线随日历年限的变化规律。首先，将试件暴露于加速腐蚀环境中，进行0年、3年、8年和13年的腐蚀试验。其次进行常幅谱下的疲劳试验。试验结果表明：腐蚀环境作用后的疲劳寿命均值随日历年限的增加显著降低，而变异系数呈增长的趋势。鉴于腐蚀环境作用后的S—N曲线具有较强的非线性，本文采用反向传播网络对加速腐蚀后的疲劳试验结果进行训练，建立了日历腐蚀环境下材料S—N曲线的BP模型，仿真结果与试验结果吻合较好。     

潜在电路计算机辅助网络树生成系统研究与工程应用

网络树是规范潜在电路分析（SCA）技术的两大工具之一，而计算机辅助网络树生成系统是对航天等复杂控制系统进行SCA所必备的辅助手段。本文介绍了一个能真正用于实际工程SCA的网络树生成系统。     

校园网在教务管理中的应用

教务管理中的成绩管理是大专院校校园网建成后首先考虑的应用之一 ,可以实现学生成绩的网上报送、管理和查询功能。西安航空技术高等专科学校开发的成绩管理系统满足了本校的需要 ,大大提高了教务管理的水平和效益。成绩管理所涉及的相关资源很多 ,如何在考虑整体构思的前提下逐步实现是非常重要的     

基于改进的BP网络的水机温度模型建立

传统的水电仿真系统中的温度模型的构建方法存在模型可移植性比较差、推导过程必须有水电专家的参与、推导过程复杂度大、模型精确度不高等不足,这些都对水电仿真的进一步发展和准确性产生了一定影响。因此需要一种更新的方法来适应水电仿真的发展。为此提出了一种改进的BP网络神经元网络学习算法,通过改进训练算法以提高神经网络的训练效率以及准确度。将这种算法应用于吉林丰满水电厂水电仿真系统的水机温度模型的建立实验中,并与原有的神经网络方法进行比较,比较结果表明,该方法能提高分类准确率和训练速度。     

220B协议中网络接入控制的分析与研究

文章叙述了M IL-STD-188-220B协议的网络接入控制过程,对220B协议中的5种网络接入控制技术算法(R-NAD,P-NAD,H-NAD,RE-NAD,DAP-NAD)做了详细的介绍,并将它们进行了比较,分析了各自的优缺点。     

下一代数据中继卫星系统发展思考

通过系统阐述中继卫星系统的发展过程,给出了主要国家和组织的中继卫星系统技术体制和现状.再结合卫星、载人航天器和深空探索的未来发展趋势,分析了下一代中继卫星系统的发展需求.在此基础上,从体系结构、卫星平台、链路调制体制、网络协议等方面,探讨并给出了下一代中继卫星系统的发展趋势和技术途径.为满足未来近地、深空航天任务,以及临近、低空快速移动用户的不同要求,节约系统成本,下一代中继卫星系统将向专业化和与其他系统融合的方向发展:星间链路将增加激光链路,数据速率可达到10 Gbit/s以上;多址业务成为主用,同时支持用户数能力将极大提高;对于链路调制体制,在采用CR(Cognitive Radio,认知无线电)和SDR(Software Defined Radio,软件定义无线电)技术的基础上,可实现实时自适应调整和根据需求加载配置;数据传输将采用网络化方式,天地间构成一体化DTN(Delay Tolerant Network,容延迟网络).     

浅谈网络改造中的项目管理

重点阐述了项目管理知识在网络改造项目中的应用，对网络改造项目的启动、规划、设计、实施、测试与验收管理进行了详细分析，并给出了每个阶段的具体项目管理办法。     

基于神经网络的电表数字识别技术研究

提出了基于BP神经网络的机械式电表数字自动识别方法,首先通过预处理自动定位电表图像中的数字区域并实现单个数字的切分,然后对每个数字图像提取一组具有较高区分度且计算简单的典型网格特征,最后设计BP神经网络作为数字分类器,实现电度表显示值快速自动识别,该研究获得了电表数字正确识别率98.5%的结果,表明该系统具有较强的鲁棒性。     

Progress towards a new global foF2 model for the International Reference Ionosphere (IRI)

A new neural network (NN) based global empirical model for the foF2 parameter, which represents the peak electron density has been developed using extended temporal and spatial geophysical relevant inputs. The first results from this new model were presented at the International Reference Ionosphere (IRI) 2006 workshop in Buenos Aires, Argentina, and showed that this new model would be a suitable replacement for the URSI and CCIR maps currently used within the IRI model for the purpose of F2 peak electron density predictions. Measured ground based ionosonde data, from 85 global stations, spanning the period 1995–2005 and, for a few stations from 1976 to 1986, obtained from various resources of the World Data Centre (WDC) archives (Space Physics Interactive Data Resource SPIDR, the Digital Ionogram Database, DIDBase, and IPS Radio and Space Services) have been used for training a NN.