高扇入与/或逻辑的设计与实现

针对高性能浮点乘加部件中的应用需求,全定制设计了高性能52位或门和108位与门.设计中使用HSPICE工具进行电路模拟,模拟时使用CSM 0.13 μm最慢工艺参数,电源电压为1.2 V,温度为25℃.根据各种实现方式的电路特性,使用相应的理论上电路最大延时的输入激励进行模拟,输入激励的频率为1.25 GHZ,斜率为输入激励周期的10%.输出延时是每个输入周期中输入电压的50%到输出电压的50%之间的时间,最大延时是所有输入数据中的最长延时.根据不同的逻辑类型,设计实现了5种52位或门;选取了静态互补CMOS逻辑、np-CMOS逻辑两种直接实现的108位与门,并选取了多米诺逻辑间接实现方式.对比模拟结果可以得到,全定制设计实现的52位或门和108位与门在速度、功耗和面积方面都具有较优的综合性能.     

隐层自构造小波神经网络及其在深基坑支护工程中的应用

在结合小波分析和神经网络（ANN）基础上，提出了一种隐层自构造小波神经网络模型。该模型通过有限的经验数据学习，建立了深基坑支护结构变形量与其影响因素的非线性关系，并将其应用于深基坑支护工程实例当中。研究表明，该网络训练时间不到0．5s，预测精度高，预测结果可靠，对今后保证深基坑支护工程施工安全具有借鉴意义。     

预测参数的选择与建筑物逐时冷负荷的预测

利用逐步回归分析进行了预测参数的选择和建筑物逐时冷负荷的预测，并将其与采用相同数据集的神经网络（ANN）的冷负荷预测结果进行了对比分析。     

锁相环实现取样式A／D转换的原理及电路

本文提出一种利用锁相环实现取样式Ａ／Ｄ转换的新方法，通过锁相环对输入信号进行频率变换，获得一等效延时△ｔ的采样信号；输入信号的等效采样次数及实际采样间隔根据其频率特性由微机编程控制。基于此原理设计出高频周期信号的数据采集系统。     

中立型延时微分方程的Runge-Kutta方法的数值稳定性

研究了中立型延时微分方程数值解的Runge-Hutta方法的稳定性，根据下面的线性试验方程考虑此方法的稳定性，y'（t）＝ay（t）十by（t－τ）十cy'（t－τ），t≥0，y（t）＝g（t），－τ≤t≤0，其中τ＞0，a，b和c∈C，证明得一个隐式Runge－Kutta方法是NGP－稳定的，当且仅当它是A－稳定的。     

用遗传神经网络模型预测公司财务困境

利用遗传算法的全局寻优能力。构造了一个预测财务困境的遗传神经网络模型(GANN)，该模型对预测财务困境的神经网络模型的输入变量进行了优化．通过对沪深A股市场部分上市公司财务困境的预测表明，该模型比ANN模型具有更好的预测财务困境的能力。     

多步Runge-Kutta法求延时微分方程的P_m-稳定性

给出了多步Runge－Kutta法（MIRK）解延时微分方程（DDEs）的Pm-稳定性．着重研究此法用于下列具有m个延时量的线性试验方程时的稳定性态。u’（t）＝au（t）＋（t－τj），t≥0．u（t）＝（t），t≤0．其中a，bj（j＝1，2，…，m）　∈C，τm≥τ(m－1)≥…≥τ＞0，（t）给定．证明了m＝2时，MIRK法是P2－稳定的．对于m＞2，得到同样的结果（Pm－稳定）．     

基于轨迹数据的信号交叉口排队长度估计

排队长度是信号交叉口最重要的性能指标之一,也是信号交叉口配时优化的关键参数。对于一些偏僻的路口或者固定检测器损坏的交叉口,由于无法获取准确的排队长度信息而无法了解交叉口的实时状态。针对以上情况,本文提出通过浮动车轨迹数据来估计信号交叉口的排队长度,通过对轨迹数据的分析,本文建立了基于浮动车集群队列的排队长度估计模型,利用排队长度估计模型可以实现交叉口排队长度的估计。通过SUMO仿真获取早高峰,晚高峰,平峰流量下输入下的浮动车轨迹数据,分别采用早高峰,晚高峰,平峰流量下时间间隔为2s/4s/6s/8s/10s和渗透率为5%/10%/15%的数据集对模型进行验证。验证结果表明,本文建立的模型可以较为准确地估计交叉口的排队长度。与相关方法的对比结果表明,在早高峰流量下和晚高峰流量下,本文建立的模型误差更低,不同的时间间隔和渗透率下比不考虑集群车队的精准度平均高出约12%,即使在平峰流量、时间间隔大、低渗透率场景下,本文建立的模型估计的排队长度误差仍在可接受范围内。相关的研究成果将为交叉口的交通状态评估以及信号配时优化提供支撑。     

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型.量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移(量子间隔)思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌.当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度.将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度.     

预测参数的选择与建筑物逐时冷负荷的预测

利用逐步回归分析进行了预测参数的选择和建筑物逐时冷负荷的预测,并将其与采用相同数据集的神经网络(ANN)的冷负荷预测结果进行了对比分析。     

基于延时复用技术的短时间间隔测量方法

提出了一种基于延时复用技术的新的短时间间隔测量方法.根据基于时-空关系的时间间隔测量原理,将若干延时单元组成延迟链.延迟链的输出被反馈到系统输入端并与输入信号进行单稳态触发逻辑判断,判断结果被重新送回到重合检测电路中去,实现一个延迟链可以多次重复使用的循环检测,扩展了基于时-空关系的时间间隔测量范围,提高了测量系统的稳定性.实验和分析结果表明了该方法的科学性和先进性,其测量分辨率可达到100皮秒至10皮秒量级.结合现场可编程门阵列(FPGA)片上技术,新方案设计的测量系统具有结构简单、成本低廉的优点.     

无人机载数据记录仪软件的实时性分析与优化

为了给飞行安全、 维护管理以及训练提供重要数据保障, 设计了无人机载数据记录仪, 对该记录仪软件的实时性进行了研究。对影响数据记录仪软件实时性的因素进行分析, 根据所需记录数据的帧长度及中断频率得到数据记录仪对中断响应延时的要求; 利用软件设置GPO（General Purpose Output）翻转, 结合示波器测得存储单元在不同寻址方式下的响应时间延时; 再根据寻址响应延时及乒乓缓存深度关系得到最优记录模式。通过搭建测试平台对优化前后的数据记录仪软件进行测试。结果表明, 优化后的数据记录仪最短中断响应时间间隔为56 μs。该数据记录仪能实时记录所有中断源数据, 丢帧率为0, 满足无人机对数据记录仪的高实时性要求。     

AM-RLC机制的数据帧有序延时分析

为了避免已有的确认模式无线链路控制(AM-RLC)机制研究中不可实现的每隔一个传输间隔报告传送状态的假设,该文采用迭代的方法分析了AM-RLC机制的数据帧有序延时。先求解数据帧的传送状态及概率,然后求解相应的延时概率。分析结果表明:数据帧的有序延时与信道误帧率近似成线性增长关系,并且随着确认帧间隔增大而增大。分析结果还给出了改进AM-RLC协议的启示,即通过缩短数据帧单程延时或者动态调整确认帧间隔可以提高AM-RLC协议的性能。     

神经网络在矿井胶带机火灾探测中的应用

综合考虑温度、温度变化率、一氧化碳浓度、一氧化碳浓度变化率为胶带机火灾探测系统的参数 ,采用三层前馈 BP神经网络对胶带输送机火灾探测进行研究 ,经过 81组数据样本训练得到合适的网络结构及网络参数 .仿真结果表明 :当隐层节点数为 1 0 ,动量因子为 0 .95时 ,训练时间最短 ,误差下降最快 ;对 PVC胶带机的火灾燃烧试验探测结果表明 ,当输出报警限取 0 .5时 ,经一定的时间延时后 ,运用该网络可在燃烧发生 35 0 s时进行报警 ,从而有效实现了矿井胶带输送机火灾的早期报警 ,并增强了系统的抗干扰能力及对环境的适应性能     

时滞依赖的变延时细胞神经网络的指数稳定性

细胞神经网络(CNNS)由于有许多重要的应用价值，所以它的稳定性分析一直是神经网络领域里的一个重要课题．近年来，神经动力系统的定性分析吸引了众多学的关注．在神经网络的电子器件实现中，出现了许多问题，诸如：转换延时，积分器，连接延时等．在这种情况下，在系统模型中一定要引进一个延时参数．要制造高质量的微电子神经网络，研究带有延时的神经动力行为是特别重要的．献[1～11]研究了时滞神经网络的全局稳定性；献[5，9，12，13]给出了有关延时细胞神经网络(DCNNs)全局稳定的充分条件，但是在这些章中，细胞的输出函数要求是一个分段线性函数并且延时是一个常量；献[10，13]虽然不再要求细胞的输出函数为分段线性函数，但是仍要求它的延时项是一个常数．在Lyapunov稳定性理论及矩阵不等式的基础上，给出了一个保证变延时细胞神经网络平衡点存在唯一并且全局指数稳定的充分条件．这个条件对参数变延时做了一个限制．给出了一个具体的数值例子及其仿其结果来说明我们结果的可行性．     

Hopfield型时滞神经网络模型的K-稳定性

研究具有时滞的Hopfield型神经网络模型｛Cidui(t)/dt=-ui(t)/Ri n↑∑↑j=1～↑Tijfi(uj(t-τ）） Ii，ui（s）=ψi(s),s∈[-τ，0],i=1,2,…，n平衡点的K－全局渐近稳定性与K－全局指数稳定性，通过使用不等式分析技巧和微分方程性质，得到了这类模型K－稳定性的易于验证的时滞相关充分条件，并举例验证其有效性。     

隐层自构造小波神经网络及其在深基坑支护工程中的应用

在结合小波分析和神经网络(ANN)基础上,提出了一种隐层自构造小波神经网络模型.该模型通过有限的经验数据学习,建立了深基坑支护结构变形量与其影响因素的非线性关系,并将其应用于深基坑支护工程实例当中.研究表明,该网络训练时间不到0.5 s,预测精度高,预测结果可靠,对今后保证深基坑支护工程施工安全具有借鉴意义.     

基于应变能的砂土液化势BP神经网络模型评估

液化是地震引起的最具破坏性的现象之一.能量法是液化势评估的常用方法,但已有的模型未考虑细粒含量临界值以及参数不确定性对液化势的影响.因此,本研究基于应变能(W),将数据库以细粒含量28%为临界值分成两个数据集,分别构建了两个BP神经网络(ANN)模型来对砂土液化势进行评估,并通过蒙特卡罗模拟结合响应面分析法进行参数敏感性分析,分别评估了细粒含量临界值以及参数不确定性对土壤液化势的影响.结果显示,提出的两个ANN模型比其它4个现有的模型具有更高的预测性能,其中当仅考虑细粒含量小于28%样本构建模型时,模型预测精度最高,拟合优度达到0.81;敏感性分析表明参数不确定性对砂土抗液化性能存在影响且程度不同,其中曲率系数对W的影响较大,建议在构建模型时加以考虑.     

基于小波神经网络的工业以太网延时预测控制

随着网络控制研究的兴起,对工业以太网延时进行补偿成为研究的重点方向.针对网络延时给网络控制系统带来的问题,提出用小波神经网络对工业以太网延时进行预测,根据输入的过去时间延迟序列预测输出下一采样时刻的网络延时值.预测模型的参数通过训练算法实时更新,以保证预测输出的准确性.对实际工业以太网延时数据样本的预测分析表明,该预测模型能够有效预测延时.为进一步说明延时预测效果,将延时预测模型应用于网络控制系统进行延时的预测与补偿,系统仿真结果证明了预测模型预测的准确性及补偿的有效性.     

基于极限梯度提升和探地雷达时频特征的水泥路面脱空识别

针对探地雷达（GPR）数据解译依赖于人工经验，存在费时费力和主观偏差的问题，提出了基于极限梯度提升（XGBoost）和GPR时频特征的水泥路面脱空识别方法。采用正演模拟、室内试验和现场试验获得了脱空病害数据源，建立含有标签的脱空GPR数据集；通过重采样方法统一GPR数据采样频率，并对预处理后的GPR数据进行时频域特征提取，建立了包含18个时域和12个频域特征的数据集。以时频域特征为输入，是否存在脱空病害为输出，采用XGBoost算法构建脱空识别模型，并与随机森林（RF）和人工神经网络（ANN）算法进行对比。结果表明，模型的识别准确率排序为XGBoost(98.10%)>ANN(95.10%)>RF(93.17%),XGBoost模型识别精度最高，并能在实际路面上准确定位脱空区域。