蓝牙与控制系统通讯技术研究

从硬件和软件的角度的分析ROK101008蓝牙点对点连接的要求，实现了2蓝牙间的点对点连接。     

自由空间光互连洗牌型神经网络模型

首先介绍一种洗牌型自由空间光互连多层全互连神经网络模型。该模型的高神经元／权重比可以极大地压缩神经网络的互连权矩阵IWM（interconnectweightmatrix）。对于具有N2个神经元的单层二维全互连神经网络的IWM为N2×N2,而洗牌型全互连神经网络的IWM仅为4N2log2N。另外,洗牌型全互连神经网络整齐、简单的结构方便了网络的综合,特别是网络隐单元的综合,并且十分适合于神经网络的光学实现。然后描述了采用数字光技术实现光互连的洗牌型神经网络的系统模型、关键芯片结构以及关键技术。本文提出的模型和方法使实现与人脑神经网络规模（104量级）相当的实用化自适应光电子全互连神经网络成为可能。     

磁偏转线圈的优化设计

本文由谢志行等(1987)给出的场参数表达式,借助正交设计法,对带屏蔽筒鞍形偏转线圈进行了优化设计,所得结果与实际模型相符。指出了鞍形偏转线圈的端耳效应和场参数B0(z)分布对象差的重要贡献。例示了有限长余弦分布绕组与分布式绕组之间电子光学性能的比较。     

在CMOS射频集成电路设计中对稳定性的分析

本文详细分析了用于射频集成电路设计的MOS场效应管（MOSFET）的稳定特性，利用米勒（Miller)效应和y参数两种方法对Mosfet的稳定特性做了定性和定量的理论分析，并给出理论分析和实际仿真的对比结果，从中可看出理论分析和仿真结果完全相符，最后，本文以一个工作于2.4GHZ，0.5μm工艺的低噪声放大器（LNA）设计为例，给出了在具体电路设计中，提高整个电路稳定性的方法。     

THE DETERMINATION OF THE FLELD PARAMETERS OF SADDLE DEFLECTION YOKE WITH A FERROMAGNETIC SHIELD

The analysis and computation of the field distribution of the saddle deflection coil with aferromagnetic shield by the boundary element method are described,and the limitations of the modelproposed by D.M.Fye(1979)is pointed out.The Green's function is expanded by the Maclaurin series,andthe analytical forms of the field parameters B_0,B_2,and B_4 are given.The results obtained agree well with theexperimentally measured values.     

防爆环轮缘带参数设计及计算机图形显示

从玻屏图纸的基本参数出发，通过求解非线性方程组，求出防爆环轮缘带生产、加工必须的参数，如周长、高度及整个轮缘带表面各点的坐标，并进行三维图形显示。     

一种宽带光谱响应特性的测量方法

介绍了一种基于分束一步测量宽带（200nm-1750nm)光谱响应的方法。对该测量方法的基本构成、系统定标与校准、基本测量原理等问题均进行了详细分析。给出了实验测量结果，并与日本滨松公司的标准数据进行了对比，测量的平均绝对误差和平均相对误差分别为ε=1.37mA/W和εr=0.89%。理论分析与实验结果十分吻合。     

带屏蔽筒鞍形偏转线圈场参数的确定

本文讨论了用边界元法计算、分析带屏蔽简鞍形偏转线圈的场分布,分析了法伊(D.M.Fye,1979)模型应用的局限性。本文用马克劳林级数展开格林函数,给出了偏转线圈的场参数B0,B2,B4的解析表达式。文末用实例对计算结果与实测数据进行了比较。     

光学神经网络的现状与进展

通过介绍两种典型的光学神经网络ＯＮＮ－透镜阵列互连网络和全息互 网张,讨论了不前ＯＮＮ的现状,存在问题及发展趋势。还介绍了图样间联想和洗牌网等ＯＮＮ模型中的新算法和新拓扑结构。     

一种适合于光学实现的洗牌型2D全互连多层神经网络模型

提出一种适合于光学实现的洗牌型二维全互连多层神经网络模型。该模型采用神经元的层内局部互连通过层间洗牌级联构成洗牌型神经网络模型的拓扑结构,具有很高的神经元／权重比,可以极大地压缩神经网络的互连权矩阵ＩＷＭ（Ｉｎｔｅｒｃｏｎｎｅｃｔｉｏｎ Ｗｅｉｇｈｔ Ｍａｔｒｉｘ）。推导出适合于洗牌型神经网络模型的修正ＢＰ算法,分析了网络的收敛性、容错性和反馈机制。计算机模拟结果表明,该模型具有稳定性好、收敛快、容错性高等特点。该模型结构整齐、简单,十分适合于神经网络算法的并行化以及光学实现。