嵌入式μCLinux中DM9000设备驱动研究与实现

DM9000是目前在嵌入式系统中广泛应用的以太网芯片。本文首先简要介绍μCLinux中网络驱动的基本框架,然后研究并实现μCLinux内核中DM9000驱动各个模块的功能,并根据实际需要进行优化。实际使用效果表明,该驱动程序运行稳定,传输速度能很好地满足实际应用需要,达到了预期效果。     

基于模糊控制的无刷直流电机建模仿真新方法

为提高无刷直流电动机(BLDCM)控制系统的精度,本文根据电机的数学模型,基于Matlab仿真平台构建了BLDCM电流、转速模糊PI复合控制的双闭环控制系统的仿真模型。该模型采用了一种基于分段线性化的思想,利用Simulink中的Look-Up Table对梯形波感应电动势和电磁转矩进行快速建模的方法。仿真结果表明,该模型准确易行、控制精度高,为实际BLDCM控制系统的设计和调试提供了有效的工具。     

Internet宏观拓扑的协议映射与分析

从协议角度,利用拓扑学和图论方法研究了Internet宏观拓扑的网络性能和形成机理。在给定Internet宏观拓扑的图论定义后,通过找到一个协议通信模式到Internet宏观拓扑的可行映射条件,进而分析了Internet宏观拓扑的连通度和平均拓扑距离。结果表明Internet宏观拓扑的形成机理源于协议的无限空间换取有限时间效应的设计原理,使得Internet可以实现实时通信,即在满足网络可靠性的同时,又保证网络的有效性。     

基于蚁群算法的电梯群控调度优化策略研究

为了研究多台电梯的群控调度问题,并根据现有电梯调度策略的不足,建立以服务间和运行能耗为优化目标函数的调度模型,提出将电梯群控调度问题转化为离散组合优化问题,并利用蚁群优化算法求解。算法在接受众多乘客的随机请求下,能根据各电梯的运行现状,将不同层的乘客请求组合分配到相应电梯进行服务的最优调度方案,优化了群控电梯的运行模式,仿真实验证明算法能大幅度减少乘客的平均侯梯时间及缩短运行路径,证明了算法的有效性。     

权重自适应模糊层次分析方法及应用

借鉴了误差反向修正理论和增量式的思想,结合层次分析法固有的优势,提出了具有自适应能力的权重设定层次分析法(adaptive weight setting method,AWS)新方法,使盾构法隧道施工风险识别模型能够利用较少的施工数据,完成进行权重调整,满足了实际隧道施工中风险评估的需求.该方法在上海地铁某区间隧道工程中进行了试用,取得了良好的效果,表明了该方法的有效性和实用性.     

基于AHP与SPC的软件过程性能分析方法的研究

通过软件过程改进提高和稳定其过程性能,是软件产品质量保证的基础.有效的软件过程性能分析方法可以提高定量过程管理的效率,也为成功地进行过程控制和改进提供了保障.在对项目目标的分解和分析基础上,运用层次分析(AHP)算法和统计过程控制技术(SPC),阐述了软件过程性能分析的过程.基于CMMI理念,针对项目目标、定量指标以及软件子过程逐级进行了映射,选择了实现项目目标的关键子过程.通过实现对项目的每一个关键子过程性能的量化分析,可以展现项目目标的完成情况,通过实例描述了具体应用.     

布尔表达式的化简与并行排序网络验证

为设计出能够验证并行排序网络正确性的有效工具,根据[0,1]原理和布尔函数的特点和性质,提出一种布尔表达式的化简算法,并根据此算法设计出验证工具.对[0,1]原理和布尔函数的特点和性质进行了讨论,指出有利于化简操作的性质.设计出的工具能够根据并行排序网络的参数显示网络图形、自动生成布尔表达式并实现化简验证,工具的输出有利于对排序网络的分析,也可以用于辅助排序网络的设计和优化.实验结果表明了该工具的有效性.     

基于自适应噪声抵消的MIMO-OFDM信道估计

对多输入多输出正交频分复用系统的信道估计进行了研究,利用自适应噪声抵消的思想,提出了一种基于自适应噪声抵消和奇异值分解的信道估计方法.该方法首先利用自适应噪声抵消对最小二乘(LS)估计进行去噪处理,然后将其结果用于奇异值分解(SVD)的MMSE低阶近似方法中.仿真结果表明,利用此方法有效地抑制了噪声的影响,其系统性能优于利用最小二乘方法所获得的系统性能.     

具有QoS保证的服务资源联合分配与管理

提出一种具有QoS保证的资源管理系统架构,理论分析表明,该系统架构能够较好地适应资源的动态性;其次将服务资源联合分配问题归化为MMKP(multiple-choice multiple-dimension knapsack problem)问题,并提出两种资源联合分配算法:最优解算法RA_BBLP和启发式算法RA_MHEU,实验结果表明,RA_BBLP保证求得最优解,可作为其他算法的参照系,而RA_MHEU收敛速度极快且所求出的解集接近最优,是一种理想的资源联合分配 算法.     

适应性粒子群寻优算法Ⅱ

适应性粒子群寻优算法Ⅰ(APSO-Ⅰ)是在有序的决策中始终引入随机的、不可预测的决定.为解决APSO-Ⅰ算法收敛深度不够的问题,提出适应性粒子群寻优第Ⅱ代算法(APSO-Ⅱ).APSO-ⅡⅢ算法是将有序(标准PSO粒子群寻优)和无序(自适应寻优)进行适当的分离.以发挥各自的优势.在自适应寻优阶段,通过在最优柱子邻域空间探寻更优化的解.一但新的优化解被发掘,便利用标准PSO快速寻优.典型复杂函数优化的仿真结果表明,APSO-Ⅱ在收敛速度和收敛深度上均优于DPSO(耗散型PSO),HPSO(自适应层次PSO),EPSO(自适应逃逸PSO)和APSO-I.