基于TV宽频特性的过电压在线监测算法

过电压的在线监测和分析对于保障电力系统的安全稳定运行意义重大。为此,依据基于电磁式电压互感器(TV)宽频传输特性的过电压在线监测方法,根据原有系统网络参数模型,通过理论分析和实验验证提出了系统的简化计算模型,提高了计算效率;应用时域递归卷积的数值计算方法对过电压信号进行复原,应用理论分析与数值仿真相结合的方法确定了复原波形数值振荡的产生原因,采用稳健局部加权回归法对复原信号进行修正,有效地消除了数值振荡产生的计算误差,提高了复原信号的准确性。     

SOQPSK-TG信号的简化状态解调器

针对部分响应成形偏移正交相移键控(SOQPSK-TG)信号的解调器复杂度较高的问题,在研究递归SOQPSK-TG信号的判决反馈简化解调器的基础上,对于非递归SOQPSK-TG信号提出了一种利用幸存路径的简化两状态解调器．该解调器在非递归SOQPSK-TG信号四状态网格的基础上,通过合理的状态合并,得到简化两状态网格;在接收机中采用该两状态网格作为状态转移网格对接收信号进行解调,在解调过程中由幸存路径法得到各支路的标准信号．仿真结果表明,在低信噪比区域,非递归SOQPSK-TG信号比递归SOQPSK-TG信号具有更优越的性能;与四状态解调算法相比,非递归SOQPSK-TG信号的简化两状态解调器有0.5～1.0dB的信噪比损失,但接收机具有较小的运算复杂度,有利于工程应用．     

子程序花指令加密算法研究

根据反汇编器原理,分析现有的花指令加密算法存在的问题,提出了一种新的花指令加密算法——子程序花指令加密算法。详细论述了子程序花指令加密的工作流程和算法描述,分析了此算法的有效性和逻辑一致性。最后,通过算法的具体实现,对其有效性和逻辑一致性进行了验证。     

一种新型的动态递归神经网络及其算法

通过对Elman网络的研究 ,提出了一种新型的基于输入层、隐层、输出层神经元递归的动态递归神经网络 ,并给出了其算法。通过在系统辨识中的应用表明 ,该网络收敛速度快 ,模型精度高 ,具有较为广阔的应用前景。     

一般化学习网络及其对化学反应器的建模应用

本文研究了一般化学习网络(Universal Learning Network)在多变量连续釜式反应器(CSTR)系统的建模应用.一般化学习网络具有节点之间有多重分支、任意2个节点互连且节点之间可具有任意的时间延迟的特点,因此能够应用在高度非线性复杂系统的辨识中.分别用一般化学习网络和常规的递归神经网络对多变量连续釜式反应器(CSTR)进行系统辨识比较,仿真结果验证了一般化学习网络结构比递归神经网络Elman的辨识精度更高,且网络结构更简洁紧凑的特点.     

编程疑难问题解答

Q如何在程序设计中利用递归方法的本质A递归就是函数的嵌套调用,递归的本质是函数调用。 1.函数的嵌套调用指函数执行过程中又调用了另一函数,例如下面一个C程序(框架):     

多目标环境下跑道异物监测雷达的CFAR检测技术

强地杂波下的弱固定目标检测是机场跑道异物监测雷达需解决的关键问题之一,传统的恒虚警检测算法在多目标环境下会出现“自屏蔽”效应,不能有效地检测到目标。本文提出了一种剔除平均杂波图恒虚警检测算法,在分析系统特性和跑道环境的基础上,结合调频连续波雷达体制建立了多目标回波信号模型。在剔除若干个样本值后,由余下的样本值估计背景杂波强度,对多次连续扫描测量值作递归滤波处理,获得了平稳的检测门限,有效地检测到了目标。最后,进一步讨论了相关参数对检测性能的影响。     

树型层次结构数据中遍历子树结点的方法

复杂关系数据的处理在数据库存储技术中具有重要的意义.在储层建模过程中高效的复杂数据处理方法将会大大提高建模的速度和准确性.阐述了存储过程和用户自定义函数相关概念,并以河流相随机游走储层建模相关数据为例,提出了通过使用存储过程和用户自定义函数对树型层次结构数据进行子结点递归遍历查询、存储的新方法,以便达到更高效的数据查询处理能力,最后通过SQL编程加以实现.实践表明,该方法具有很好的效果.     

深度优先遍历△-tree的非递归KNN查询

kNN查询是高维数据库中最重要的操作之一,尽管它在数据库研究中得到了极大的关注,但很少有关于主存数据库kNN查询的工作.充分利用kNN查询自身的特点,基于高效的主存索引△-tree设计了一种新的kNN查询算法NR-DF-knn-Search,该算法采用非递归方式深度优先搜索△-tree中距离查询点较近的叶子节点,能够快速找到较优的kNN候选,更新修剪距离,加大剪枝力度,缩小搜索空间,从而提高kNN查询效率.通过实验对该算法进行了估价,结果证明该算法是有效的.     

基于DRNN的传感器的建模研究

针对传感器受温度影响的复杂非线性输入输出特性,利用对角递归神经网络（DRNN）建模,并实现了温度补偿和非线性校正。对于权值的训练采用LM算法,克服了BP算法收敛慢的缺陷,使其在保证收敛的前提下,提高了收敛速度。实验表明：应用DRNN对传感器建模是一种行之有效的方法。