单载波频域均衡系统的CFR盲估计

提出了一种接收端过采样的单载波频域均衡系统信道频率响应盲估计算法. 与传统的线性预测时域信道盲估计方法不同,新算法不需要计算新息以及新息和输出序列的互相关,而是直接从预测滤波器系数获得信道频率响应的闭式解. 算法对信道阶次过估计具有鲁棒性,比传统的线性预测时域信道估计具有更高的估计精度,而且能保证估计结果对应的时域信道冲激响应的有限支撑特性. 计算机仿真结果验证了理论分析的正确性.     

用蜗杆式珩磨轮对齿轮齿顶倒棱

齿轮齿顶倒棱(图1)对降低齿轮噪音、提高齿轮运动精度很有好处。这样的设计要求在我厂过去是没有的,但在和西德合作生产16DKE小立车中,他们的齿轮设计提出了这样的要求。为此,我们采用了蜗杆式珩磨轮进行倒棱。 给齿顶倒棱的方法很多,如采用专用的倒棱滚刀、磨齿机倒棱或钳工手工倒棱等等。通过比较,我们认为用珩轮倒棱的方法最佳,效率高,倒出的棱面光洁美观,过渡圆滑,珩轮制造简单,成本低,有许多可取之处。 在珩轮的设计中,齿形角的选择是根据被珩齿轮的齿顶压力角来决定的。实践证明,拖轮齿形角取大于齿顶回压力角5”一10o为宜。角度附…     

基于加权公正队列的QoS路由选择算法

基于Bellman-Ford最短路径算法提出了一种修改的QoS路由选择算法,给出了仿真结果,并与其它QoS路由选择算法进行了比较,进一步表明了所提出算法的有效性.     

ATM业务控制中的一种新的神经网络方法

采用一种新的神经网络方法建立有效的网络业务控制器, 即利用蚂蚁算法训练神经网络的权值, 应用到ATM的业务控制中. 并进行了仿真.     

IP交换中基于模糊方法的流分类器研究

本文对IP交换中各种现有流分类器进行了分析之后提出了一种模糊流分类器，它可根据网络中来流的变化，端口中可用VC的变化和现有可用VC数调节分类阈值。仿真结果表明，模糊流分类器可适应来流和IP交换机的端口容量的变化。与传统分类器相比，它可更有效地利用端口的VC，交换更多的数据包。     

改进的CMA＋DD-LMS盲均衡算法

在信道眼图闭合的情况下，目前常用的均衡方法是使用常数模CMA等盲均衡算法来使眼图睁开，然后再切换到DD-LMS。本文对CMA DD-LMS的切换条件进行了修改，引入了一个迭代闽值，以提高算法的收敛速度。计算机仿真结果证明了改进算法在性能方面的提高。     

多层结构神经网络的等误差范围逼近与收缩学习方法及其应用

本文提出了一种用于前馈型多层神经网络学习的等误差范围逼近与收缩学习方法,这种方法仅仅要求网络的实际输出落在理想模式输出的一个事先给定的误差范围之内,从而可以大大提高网络的学习速度,且运算量小,而且通过适当选择等误差范围,它还可以提高网络在模式识别中的推广性能.如果网络用于模式联想等方面时,通过误差范围的逐步收缩,这种方法还可以以很小的额外代价提高网络学习的逼近精度;另外,它还可以避免传统方法中经常出现的训练模式反转等局域极小状态和过学习现象的出现.最后,文中给出了以这种方法训练的网络用于脑电波癫痫信号识别中的实验结果及其分析.     

随机动量因子的SMLMS算法及分析

本文作为对文献[2，3]的补充和改进，提出了一种具有随机动量因子的SMLMS算法。SMLMS算法将传统MLMS算法中的常动量因子改变为一衰减的随机变量，从而为自适应滤波器提供更小的误调量和更好的误差扰动的补偿。     

EQUAL INTERVAL RANGE APPROXIMATION AND EXPANDING LEARNING RULE FOR MULTI-LAYER PERCEPTRONS AND APPLICATIONS

In this paper,we propose an equal interval range approximation and expandinglearning rule for multi-layer perceptrons applied in pattern recognitions.Compared with tra-ditional BP algorithm,this learning rule requires the output activations interval between themaximum target output node and other nodes to exceed a given equal interval range for eachtraining input pattern,thus it can train networks faster in much lower calculation cost andmay avoid the occurrences ot reversed target output and overlearning,hence it can improve thenetwork's generalization abilities in pattern recognitions.Through gradually expanding of theinterval range,this learning rule can also enable the network to learn its targets more accuratelyin less additional training iterations.Finally,we apply this algorithm in network training inEEG detection,and the experimental results have shown the above advantages of the proposedalgorithm.