交换立方网络的条件诊断度

多处理机的故障诊断就是通过测试识别系统中故障处理机的过程,识别以及更换这些故障处理机对于维持系统的高可靠性是至关重要的.首先讨论了交换立方EH(s,t)容错性的一些精确而有用的界,进而得到EH(s,t)(t≥s≥3)在比较诊断模型下的条件诊断度.     

加强立方网络的条件诊断度

多处理系统规模的扩大会增加系统某些元件的脆弱性.故障诊断就是系统通过内部测试来识别故障处理机的过程,故障诊断度是衡量互联网络可靠性的重要参数.条件诊断作为新的容错性的度量能更好地评估互联网络真实的诊断能力.求出了加强立方体网络EQ n,k(4≤k≤n)在PMC模型下的条件诊断度.     

交换超立方体在PMC模型下的g好邻条件诊断度

诊断度是多处理器系统互连网络能够诊断的最大故障结点的个数,它是度量多处理器系统故障诊断能力的一种参数。g好邻条件诊断度是2012年提出的一种新的诊断度,它要求每个非故障顶点至少有g个非故障邻点。研究了交换超立方体EH(s,t)在PMC模型下的g好邻条件诊断度,证明了EH(s,t)(1≤s≤t,0≤g≤s)在PMC模型下的g好邻条件诊断度为2g(s+2-g)-1.     

分层立方网络的 t／t-诊断度和诊断算法

故障诊断度在衡量一个多处理机系统的可靠性上起着极其重要的作用。悲观诊断策略（也称作t/t-诊断策略）在允许最多一个处理机误诊的情况下,能极大地提高多处理机系统的自我诊断度。本文主要证明了在 PMC诊断模型下,分层立方网络HCNn 是（2n）/（2n）-可诊断的,同时,也给出了时间复杂度比原有的诊断算法较优的t/t-诊断算法。     

PMC模型下星图的g-好邻局部诊断度

故障诊断度对于多处理系统的可靠性至关重要,是多处理器系统互连网络能够诊断出的最大故障点的数量。研究表明,系统的诊断度总小于其最小度,然而这严重地低估了系统的诊断能力。2019年,Yin和Liang提出了g-好邻局部诊断度的定义,它可以表征系统在g-好邻条件下的局部故障诊断能力。文章证明了PMC模型下星图S_n的每个结点的g-好邻局部诊断度为(n-g)(g+1)!-1,其中0≤g≤n-2,n≥4.根据诊断度与局部诊断度之间的关系,可以推出星图的g-好邻诊断度。     

BC网络的g-超条件诊断度

多处理器系统的故障诊断是一个重要的研究课题。g-超条件诊断度是于2016年提出的度量系统自我故障诊断能力的一类新的参数,它是在每个非故障结点组成的分支至少包含g+1个顶点的假设下,系统G能够一次性识别的故障结点的个数。g-超条件诊断度能够更精确地度量异构环境下系统互连网络的自我故障诊断能力。文章研究了n-维双射连接(BC)网络在PMC和MM*模型下的g-超条件诊断度,给出了n-维BC网络在两种模型下g-超条件诊断度的下界。在此基础上,确定了超立方体在PMC和MM*模型下g-超条件诊断度,改进了相关结果。最后,我们给出了当1≤g≤3时,BC网络在PMC和MM*模型下的g-超条件诊断度的计算公式。     

扭立方连接网络的故障诊断分析

容错性对于互联网络来说极为重要,这是因为网络规模的扩大会导致一些元器件的脆弱性.为维持多处理机系统的高可靠性能有必要将故障处理机识别和替换下来,这一过程通常称为故障诊断分析.通过对扭立方连接网络TN n的容错性分析,确定了其在PMC诊断模型下的条件诊断度,并给出简易的t/t-诊断算法.     

一种PMC模型下的自适应顺序诊断算法

在ＰＭＣ模型下提出一种能实现顺序诊断目标的自适应诊断算法。其特点是可以直接诊断出一个故障处理机，而不需要先寻找一个无故障处理机。     

一种基于因果网络模型的诊断推理模型

提出一种基于因果网络的诊断推理模型.该模型用因果网络表示诊断对象的领域知识,不仅能有效地表达知识的不确定性,更重要的是解决了知识的不完备问题.该模型的推理过程分为领域相关的环境集识别和领域无关的诊断解产生两个阶段,增加了算法的柔性和通用性.     

Bubble-sort网络的一类条件连通度

[目的]为评价网络容错性,以具有高对称性和递归结构的Bubble-sort网络为研究对象,确定其h-extra r-分支边连通度.[方法] Bubble-sort网络B_n可以分解成n个子图B_n(i),其中B_n(i)是由点集{x₁x₂…x_n:x_n=i}(1≤i≤n)导出的子图,并且B_n(i)同构于B_n-1,利用它的结构特点,用数学归纳法推理证明了主要结果.[结果]确定了bubble-sort网络的h-extra r-分支边连通度cλ■(B_n)=4n-10(n≥4).[结论]研究了bubble-sort网络的一类条件连通度,可用于衡量网络的可靠性.今后将继续深入研究bubble-sort网络的其他条件连通度.     

A novel conditional diagnosability algorithm under the PMC model

Conditionally t-diagnosable and t-diagnosable are important in system level diagnosis.There-fore, it is valuable to identify whether the system is conditionally t-diagnosable or t-diagnosable and derive the corresponding conditional diagnosability and diagnosability.In the paper, distinguishable measures of pairs of distinct faulty sets with a new perspective on establishing functions are focused. Applying distinguishable function and decision function, it is determined whether a system is condi-tionally t-diagnosable ( or t-diagnosable ) or not under the PMC ( Preparata, Metze, and Chien ) model directly.Based on the decision function, a novel conditional diagnosability algorithm under the PMC model is introduced which can calculate conditional diagnosability rapidly.     

交换超立方体的哈密顿Laceability和强哈密顿Laceability

交换超立方体EH（s，t）是超立方体的一个变型．证明了：当s，t≥2时，EH（s，t）是哈密顿Laceable，并且也是强哈密顿Laceable．     

超立方图和超立方有向图的同构因子分解

图Ｇ＝（Ｖ，Ｅ）的一个同构因子分解是边集Ｅ的一个划分：｛Ｅ１，Ｅ２，…，Ｅｔ｝，使得生成子图（Ｖ， Ｅ１），…，（Ｖ，Ｅｔ）都彼此同构。若 Ｈ≌（Ｖ，Ｅ１），记为 Ｈ［Ｇ或 ｔ］Ｇ．若对每个ｔ≥２．当　　　时．均有：ｔＧ，则称Ｇ为有理图．文章证明了超立方图（ｈｙｐｅｒｃｕｂｅ）和超立方有向图都是有理图．     

超立方体的群连通度

为更好地研究网络拓扑性质,以超立方体为研究对象,使用收缩法给出了超立方体群连通的一个上界,拓展了已有文献中的结果。     

HCH-立方体在比较模型下的可诊断性

新型并行处理系统的研制依赖于对新的互连网络的结构和它们的性质的研究,超立方体和交叉立方体是流行的互连网络,它们都有优点也有缺点.对由超立方体和交叉立方体构成的HCH-互连网络的可诊断性进行了研究,证明了当n≥4时,n维HCH-立方体互连网络在比较模型下的可诊断性为n,与超立方体和交叉立方体在比较模型下的可诊断性相同.     

一类特殊损失下预测问题的PMC准则

将估计问题中的PMC准则运用到随机变量的预测问题中。在一类特殊损失下证明了中位数无偏预测量为某一给定预测量集合中的Pitman-closest预测量。     

关于折叠超立方体的反馈数

研究了一类重要的互连网络拓扑结构折叠超立方体网络Qfn的反馈数．设F为Qfn的反馈集,通过构造剩余子图G[V（Qfn）-F]的极大无圈子图得到极小反馈集,从而得到反馈数的上界,用此方法研究折叠超立方体网络Qfn的反馈数问题．根据n维折叠超立方体网络的性质,提出一种新的方法构造无圈子图,改进了已有的”维折叠超立方体网络的反馈数的上界．结果表明,当n为奇数时构造的Qfn＋z的无圈导出子图的整体连通性能与已有结论中构造的Q中无圈导出子图R∪Qfon是一致的．     

二次损失下回归系数的线性条件Minimax估计

考虑带线性等式约束的线性模型 .对任一条件可估函数 ,给出了二次损失下线性条件 Minimax估计的定义 ,并得到了唯一的线性条件Minim ax估计 .     

PMC在噪声环境下的语音识别中的应用

今天的语音识别正处于由实验室技术走向实用化,产品化的关键时期,然而,现有的绝大我数语音识别系统在噪声环境中的性能都不可避免地急上降,环境噪声已经成为语音识 技术商品化的一个主要障碍,因此在语音识 技术逐渐走向实用化的过程中,噪声语音识别日益成为一个重要的研究领域,遗憾的是,由于噪声语音识 问题本身的复杂性,至今还没有一种方法可以圆满地解决这一问题,拟从模型补偿方面,对噪声环境下的孤立词语音识别进行一些探索,重点研究一个在噪声环境下的语音识别算法－－并行模型组合方法（PMC）,详细论述了其原理以及在噪声环境下的语音识别中的应用。实验中,我们使用汉语的数字语音,分别在3种不同噪声不同信噪比条件下对这一方法进行了识别率测试,结果显示,该方法有着令人振奋的识别效果。