一种求解库存路径问题的拉格朗日松弛法

为了快速解决库存路径问题(Inventory Routing Problem,IRP),提出用松弛与分解结合的拉格朗日松弛算法进行求解.首先对问题进行了详细描述和有效假设,在此基础上,以系统总成本为优化目标,建立了混合整数规划模型.针对此模型,本文先采用拉格朗日松弛算法将IRP分解为2个独立的子问题,然后分别用遗传算法和次梯度算法进行求解,最后通过案例实验表明,与直接求解对偶问题和智能优化算法相比,本文分解算法能在较短的时间内构造一个配送方案,且所求解的质量更好.     

基于改进型T-S模糊RBF神经网络的红外火焰探测器识别算法

针对三波段红外火焰探测器中可能出现的单一非火焰波段通道的数据丢失、失真、饱和3种对火焰特征数据的强干扰情况,本文提出了一种改进型T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络的火焰识别的鲁棒性融合算法.该算法通过聚类算法确定模型需要的模糊规则...     

飞行试验颤振数据实时监控系统

颤振试飞是＂I类风险＂试飞科目,试飞风险巨大。而原型机和涉及到结构及外型重大更改的改型机都必须进行颤振科目试飞。因此要制定严格的保障措施,高效、准确的监控保证。由于颤振数据的高采样率,为保障整个监控系统的性能,采用单独的服务器与独立的局域网,并在颤振服务器上加装A/D转换器,结果该颤振数据实时监控系统可按512点/s的采样率无丢点采样存盘,条图仪均匀输出。通过前期原理论证及后期使用证明该系统能满足高采样率下颤振数据的实时监控要求,而且它解决了在UDP传输协议的网络中高采样数据条图仪输出的时间均匀性问题。     

基于探地雷达的有耗介质脱空薄层厚度估计方法

探地雷达在机场道面脱空检测中可以取得较好效果,但还不能准确估计有耗介质中的脱空厚度。针对此问题,本文通过分析脱空薄层复合反射回波的振幅响应和有耗介质中的电磁波传播模型,将常规薄层调谐厚度方法推广到有耗介质,提出了一种新的薄层厚度估计方法。首先推导有耗介质中脱空薄层反射回波的主频振幅随厚度变化的振幅响应,然后基于最小二乘曲线拟合方法修正主频振幅响应,减小接收信号未建模误差和参数估计误差对脱空厚度估计精度的影响。仿真结果表明,基于本文方法所取得的估计精度明显高于基于未修正的主频振幅响应方法。      

利用速率方程分析光纤激光器相干耦合系统的尝试

尝试采用稳态速率方程,分析了由一个光纤耦合器连接起来的、两个掺Er光纤激光器组成的相干耦合系统.考虑到设置在光纤耦合器的一个输出端口的公共反射镜还担负着实施两个激光器间的相互注入的功能,利用光纤耦合器的变换矩阵以及光场相干叠加的要求,可以确定激光器速率方程组满足的边界条件.在进行合理的近似处理后,把速率方程组转化为代数方程组.利用这些结果分析了系统的一些特性,比如耦合器的分光比和不同泵浦功率对输出功率的影响等.     

用于雷达的LDMOS微波功率放大器设计

硅LDMOS晶体管以其大输出功率和高效率等优点作为微波功率放大器广泛应用于雷达发射机中.在大信号S参数无法获得而厂家提供的1710 MHz～2110 MHz范围内的源阻抗和负载阻抗参数又不能用时,利用一公司的ADS软件,采用负载牵引法得到了输入和输出阻抗.在对晶体管绝对稳定性分析的基础上,运用共轭匹配,成功设计出P-1大于30W、功率增益在1580MHz～1650 MHz频率范围内、增益保持在30dB以上和PAE大于30%的2级LDMOS微波功率放大器.同时,得到了最终的版图并且运用MOMENTUM对它进行了2.5D仿真,得到了理想的结果.     

WLAN优化研究

最近几年,无线局域网已经在学校、宾馆、商业楼宇、医院等场合得到了广泛应用.为保证WLAN建设高密度场景用户使用的效果与最终体验,势必要对W LAN进行优化,以满足日益扩大的业务发展需要.     

基于VMM构建可重用验证平台

传统的验证平台编写复杂,且难以在不同设计之间重用。采用SystemVerilog支持的VMM验证方法学,并结合带约束的随机验证和覆盖率驱动的验证技术,构建可重用验证平台,完成对UART模块的验证。与直接测试方法相比,该验证平台不仅能够有效提高验证效率,而且在模块级和系统级验证过程中,能够重用该验证平台或验证组件。     

一种用于SOC设计中的智能I/O处理器的实现

文章介绍了SOC设计流程，智能I／O处理器组成，在开发该处理器对VHDL源代码的优化问题。     

舰船目标回波串细化成像法

提出了一种常规对海警戒雷达对于舰船目标的视频回波串细化成像法，成倍地增加了现有回波串成像法的作用距离，并改进了成像质量。文章还讨论了距离，姿态角等参数对成像产生的影响，并用模拟数据验证了细化成像的效果，对其抗噪性能也作了初步探讨。