多灰度级显示器上的曲线绘制

光栅扫描显示器的屏幕是由位置固定的，离散的象素点所组成的，因而在其上生成的曲线只能是实际曲线的某种近似表示，并不是很美观的，例如有曲线的阶梯效应及曲线亮度不均度等问题，该文说明利用多灰度光栅显露器可以在一定程度上解决这些问题，并且用给出的主些算法绘制曲线时，可以较好地解决上述问题，这些算法在动画制作中也可有典型的应用。     

无线电引信被干扰率及抗干扰率

本文从无线电引信相对杀伤比率出发，引伸出引信被干扰率及抗干扰率的定义及计算公式。     

Neural networks,rational functions,and realization theory

The problem of parametrizing single hidden layer scalar neural networks with continuous activation functions is investigated. A connection is drawn between realization theory for linear dynamical systems, rational functions, and neural networks that appears to be new. A result of this connection is a general parametrization of such neural networks in terms of strictly proper rational functions. Some existence and uniqueness results are derived. Jordan decompositions are developed, which show how the general form can be expressed in terms of a sum of canonical second order sections. The parametrization may be useful for studying learning algorithms.This work was supported by the Australian Research Council, the Australian Telecommunications and Electronics Research Board, and the Boeing Commencai Aircraft Company (thanks to John Moore).     

基于CF的全集成MOSFET—C六阶低通滤波器的仿真分析

本文提出了以电流跟随器ＣＦ为基本电路元件的全集成ＭＯＳＦＥＴ－Ｃ精确连续时间六阶低通滤波器电路，并应用ＰＳＰＩＣＥ－Ⅱ通用模拟电路程序，对其幅频特性和相频特性进行了计算机仿真分析，得出了实用的结论。     

试生产中产品的可靠性保证

阐述了试行产中产品质量和可靠性的主要保证方法，由于这些做法来自于工厂的生产实践，所以，对承制方，订购方等各级，各类人员都有借鉴意义。同时对理论工作者也有一定的参考价值。     

快速二阶BP网络及其在城市用水量预测中的应用

针对BP网络收敛速度慢，易导致局部极小值的缺点，提出一种快速二阶BP网络，并以城市年用水量预测为例，与BP网络对比，结果表明，该方法加快了收敛速度，提出了结果的准确度。     

一种MPEG2视频编码的神经网络自适应量化算法

本文在ＭＰＥＧ２ＴＭ５建议我自适应量化策略的基础上，提出了一种ＭＰＥＧ２视频编码的神经网络自适应量化算法。     

应用ART2人工神经网络自组织形成焊缝图象中的典型空间模式

应用ＡＲＴ２人工神经网络算法，使采集到的焊缝横截面方向上的灰度分布数据自组织形成若干种空间模式，并把它们作为典型空间模式存储在ＡＲＴ２人工神经网络的ＬＴＭ中。对实时采样到的灰度分布进行空间模式匹配程度检验，根据模式分布情况确定出焊缝位置。文中对梯度法检测结果进行了分析和比较，结果表明基于ＡＲＴ２人工神经网络的焊缝位置检测方法具有更强的噪声抑制能力，因而检测结果更准确、可靠。     

Sidle的远程执行设备

Ｓｉｄｌｅ系统是运行在ＳＵＮ工作站网络上的一组实用程序，利用空闲的处理机资源进行大粒度的并行计算．同其它远程执行设备相比，它能支持程序内部并行和嵌套的远程执行，允许一个服务员机接受多个远程执行任务．本文介绍了这些特点和透明性的实现方法．     

On parity problems and the functional-link artificial neural network

This paper contains the proof of a theorem on the capability of functional-link artificial neural networks both to represent and to learn the n-dimensional parity problem. The result is obtained by an embedding of the problem into a space of dimension 2ⁿ — 1. It is shown that the Volterra expansion of the data in n-dimensions provides the necessary transformation. By computing the parity function, it is shown that a suitable set of neural network weights can be deduced. Finally, it is demonstrated that 2ⁿ — 1 is the minimum embedding dimension for the problem.The contribution of A Zuderell of the University of Innsbruck is acknowledged.