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。     

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.     

平衡立方体在PMC模型下的1-好邻条件诊断度

诊断度的确定是实现系统级故障诊断的一个重要前提。g好邻条件诊断度推广了经典的诊断度的概念,它要求每个非故障结点没有发生故障的邻点个数至少有g个。以PMC为模型,对平衡立方体BHn的1-好邻条件诊断度的上、下界进行讨论,最终得到了BHn在PMC模型下的1-好邻条件诊断度为(4n-1).     

排列图在PMC模型下的g好邻条件诊断度

诊断度是评估和判定多处理器计算机系统互连网络的自我故障诊断能力的重要指标。g好邻条件诊断度推广了经典的诊断度的概念,它要求每个非故障结点没有发生故障的邻点个数至少有g个。本文以PMC为模型,对排列图A_(n,k)的g好邻条件诊断度的上、下界进行讨论,最终得到了A_(n,k)在PMC模型下的g好邻条件诊断度为[(g+1)k-g](n-k).     

折叠交叉立方体的1-好邻诊断度

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个重要参数.2012年,Peng等提出了一种新的诊断方法g-好邻诊断度,它要求每个非故障顶点至少有g个非故障邻点.n-维折叠交叉立方体网络FCQ_n是由交叉立方体网络CQ_n增加2^n-1条边后所得.该文利用1-好邻诊断度作为评价可靠性的重要度量,对折叠交叉立方体网络的可靠性进行分析,得到折叠交叉立方体网络的1-好邻诊断度.证明了在PMC模型与MM^*模型下FCQ_n的1-好邻诊断度分别等于2n+1,n≥5和2n+1,n≥6.     

分层立方网络在MM~*模型下的g好邻条件诊断度

诊断度在衡量互联网络可靠性方面有着重要的作用。许多著名网络的诊断度已被研究。g好邻条件诊断度扩展了传统诊断度的概念,它要求每个非故障处理器至少有g个非故障邻点。本文证明了分层立方网络HCNn在MM*模型下的1-好邻条件诊断度为2n+1,2-好邻条件诊断度为4n-1.     

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.     

泡型星图网络的3限制诊断度

互连网络故障诊断的一个新的方法是g限制诊断度,该方法限制每个无故障分支至少有(g+1)个无故障节点.作为一种良好的互联网络拓扑结构,n维泡型星图BSn具有许多良好的性质.文章证明了在n≥5的PMC模型和在n≥12的MM*模型下BSn的3-限制诊断度是8n-20.     

泡型星图网络的3限制诊断度（英文）

互连网络故障诊断的一个新的方法是g限制诊断度,该方法限制每个无故障分支至少有(g+1)个无故障节点.作为一种良好的互联网络拓扑结构,n维泡型星图BS_n具有许多良好的性质.文章证明了在n≥5的PMC模型和在n≥12的MM~*模型下BS_n的3-限制诊断度是8n-20.     

星型网络的几种故障诊断度研究

针对星型网络的故障诊断问题,利用集合论、图论等方法对星型网络的结构特性进行研究,给出了星型互连网络在PMC故障模式下的几种诊断度,包括:一步故障诊断度,t1/t1-诊断度,局部故障诊断度。对于一个n维星型网络(n≥3),其一步故障诊断度、t1/t1-诊断度策略和局部故障诊断度分别为n-1,2n-4和n-1,这些诊断度的提出,对星型互连网络的可靠性和容错性的研究具有重要的意义。     

超立方体Q_n在PMC模型下的2-条件诊断度

诊断度是衡量多处理器系统自我诊断能力的重要参数,是多处理器系统互连网络能够诊断出故障点的最大数。2-条件诊断度的概念是条件诊断度概念的一个推广,要求系统中的每个结点至少有2个好邻点。研究了超立方体Q_n在PMC模型下的2-条件诊断度并证明了Q_n在PMC模型下的2-条件诊断度为16n-57.     

高磷负荷对生物除磷系统的影响

采用10 L容积的序批式反应器,考察高磷负荷对生物除磷系统的影响。将进水磷负荷由10 g.m-3.d-1提高至40g.m-3.d-1后,系统的除磷能力得以提高:净除磷量由2.06m g.-g 1提高至2.25m g.-g 1(厌氧加磷运行方式)和2.41m g.g-1(好氧加磷运行方式)。污泥含磷量与污泥含糖量的变化表明,高磷负荷条件有利于聚磷菌获得竞争优势。在同为40g.m-3.d-1的磷负荷条件下,好氧加磷的运行方式更优越:既可以有效地提高系统的磷负荷,也可以避免抑制释磷。     

一种基于案例推理的装备故障诊断技术

针对装备故障诊断中故障现象难以用结构数据表达,提炼规则比较困难的问题,建立一种基于CBR技术的故障诊断软件系统.系统将维修专家的知识以案例问题和案例解决方法的形式保存,通过检索案例库来进行故障诊断并将诊断记录作为新的知识.介绍了系统的结构,重点研究了案例的表示与相似度的计算,说明了案例的检索与维护.结果表明,基于该思想构建的装备故障诊断软件系统,可以将已有诊断案例作为知识来源提高系统的诊断能力.     

基于案例推理的旋转机械故障诊断系统研究

针对大型旋转机械结构复杂,故障现象难以用结构化知识表示,故障诊断规则难以提炼的特点,将基于案例推理(CBR)方法应用于旋转机械故障诊断。从旋转机械故障诊断的需求出发,在分析旋转机械故障诊断知识特点的基础上,对故障诊断系统的总体结构、故障案例库的构建、案例相似度匹配、案例调整和学习等CBR方法的关键技术进行了研究。重点设计了故障案例表示方法,采用基于三标度的层次分析法(AHP)确定案例征兆权值。提出了改进的最近邻法计算案例相似度,可以从征兆名称、征兆值、权值三方面对案例进行精确匹配。提出了基于案例审核的学习机制,可以充分发挥不同人员的作用。开发了基于CBR的旋转机械故障诊断系统原型,并给出了应用实例。     

缺边分裂星图在比较模型下的诊断性

多处理器系统的诊断性是一个重要的研究课题,系统的可诊断性是衡量互连网络容错性的重要指标.互连网络在多处理器系统中发挥着重要作用,且互连网络通常由一个图来表示,其节点(顶点)表示处理器,链路(边)表示处理器之间的通信链路.分裂星图S2n有许多良好的性质,本文研究了比较模型下S2n的诊断性.根据局部诊断性的概念,强局部诊断...     

某些调和单叶函数的稳定性及系数估计

利用线性连接区域作为工具,研究单位圆盘上的复值调和函数f=h+g-,证明h+βeiθg及h+βeiθg-具有单叶性,其中0≤β≤1,θ∈R.据此,证明某些调和单叶映射在特定条件下的系数估计猜想||a0n|-|a0-n||≤n,n=2,3,…,是真的.     

(n,k)-星图的嵌入连通度

星图S_(n,k)的h-嵌入连通度ζ_h(S_(n,k))(h-嵌入边连通度η_h(S_(n,k)))被定义为顶点子集(边子集)的最小基数,如果存在,将其删除后Sn,k不连通而且连通分支的每个顶点都位于h-维的子网络Sh,l,其中0≤h≤n-2且l≤k.本文研究了星图S_(n,k)的h-嵌入(边)连通度,对于k=2,3和0≤h≤n-2,确定了ζ_h(S_(n,k))和ηh(S_(n,k))的值.     

局部Littlewood-Paley算子的一些端点估计

建立了局部Littlewood-Paley算子, 即局部g-函数、局部Lusin-面积积分及局部g*λ-函数(1<λ<∞), 在局部BMO空间上的有界性.     

基于间隙度的变换器早期故障诊断方法

变换器早期故障特征微小,极易被电网复杂工况信号淹没,因此早期故障诊断可以避免电力系统故障发酵,保证供电安全。但传统基于电流、电压残差信号的方法难以实现早期故障诊断。引入间隙度作为一种新的度量工具,可以由系统间内部距离描述早期故障。通过卡尔曼滤波器观测的输出状态可以建立早期故障模型,将模型间的间隙度作为早期故障诊断特征,由系统内部衡量故障偏差,进行故障类别和故障强度诊断,提高系统稳定性。通过仿真实验搭建变换器模型,验证以间隙度为度量工具实现变换器早期故障诊断的有效性,通过与传统残差阈值方法比较,本文方法可以有效提高变换器早期故障诊断灵敏度同时降低误判率。     

基于支持向量机的故障诊断方法

提出了基于支持向量机的故障诊断方法和步骤。诊断实例表明,与神经网络故障诊断方法相比,诊断小样本分析的支持向量机故障诊断方法具有分类能力强、推广能力好的特点。