海岛独立微电网多时间尺度能量调度方法研究

海岛独立微电网是一个复杂信息物理系统,其能量调度是非线性、多约束、多时间尺度的动态性问题。针对这一问题,研究了改进自适应粒子群算法的多时间尺度优化调度模型,并给出了日前多目标调度模型和日内滚动优化修正模型。日前多目标调度基于改进自适应粒子群算法进行多目标优化,确保微电网系统的经济性和稳定性;日内滚动优化调度采取滚动优化方式修正日前调度,确保日前调度的有效性。仿真算例验证了所提方法的有效性和可行性。     

基于FPGA可编程平台的计算机硬件实验教学

针对当前高等院校计算机专业硬件类课程的实验教学现状及存在问题,以设计完整的CPU系统作为统一实验目标,提出适合本科生综合素质和创新能力培养的层次化计算机硬件实验教学体系,通过采用EDA技术作为唯一实验方法,实现对专业人才的多层次能力培养,阐述一种能够利用FPGA可编程平台和Verilog HDL硬件描述语言实现全系列硬件课程实验一体化教学的全新实验教学模式。     

融合动态采样剖析的可重构指令集处理器

可重构指令集处理器能够根据应用程序特点动态扩展其指令集,其硬件架构和软件工具的设计与传统设计有很大不同。在研究可重构指令集处理器软硬件特性的基础上,提出一种集成动态采样剖析硬件的可重构指令集处理器架构。该处理器具有3种不同的工作模式,它通过剖析硬件采样获取程序热点,利用配套工具链半自动地完成指令扩展生成、编译器重定向和可编程硬件逻辑配置,从而获得在不同嵌入式应用领域的硬件适应性和软件兼容性。针对性的实验结果表明,该处理器架构的采样剖析机制准确有效,并且在增加有限的硬件开销的情况下,能够很好地适应应用变化。     

可重构指令集处理器的代码优化生成算法研究

可重构指令集处理器能够适应多变的计算任务在性能和灵活性两方面的要求,而传统的编译后端技术无法为其生成高效的可执行代码,需要有新的代码生成方法.针对传统编译后端代码生成三阶段方法进行扩展的代码混合优化生成算法正是这样一种方法.该算法很大程度地复用了原有的三阶段代码生成过程,同时针对可重构指令集具有动态性的特点,根据系统硬件资源和重构配置,扩展了针对可重构指令代码生成的优化处理,从而能够获得切合可重构指令集处理器体系结构特性的可执行代码.相关实验与分析说明了该算法针对硬件重构得到的新平台所做的可重构指令代码生成是有效的,能够较好地提高应用程序在新平台上的执行性能.     

嵌入式软件性能分析方法研究与工具设计

通过对当前业界常见软件性能分析方法和常用性能分析工具技术特点的分析,根据嵌入式系统交叉开发方法的特点,以GNU性能分析工具gprof为切入点,针对其在性能数据采集和处理方面的不足,设计并实现一个面向嵌入式领域交叉开发环境的嵌入式性能分析工具Cross-Profiler。该工具能够针对以GCC作为交叉编译器,运行在嵌入式交叉环境下的应用软件进行性能分析,统计软件中各函数的执行时间、被调用次数、调用关系链以及执行过程中的函数堆栈开销等性能信息,从而有效帮助定位嵌入式软件的执行热点与性能瓶颈,为改善软件性能提供依据。同时,对Cross-Profiler的处理结果进行了可视化的输出设计,增强了易用性、可移植性和扩展性。     

基于滑动窗变步长等变自适应源分离的线性慢时变结构工作模态参数识别

为了仅从非平稳振动响应信号中在线识别线性慢时变弱阻尼结构的时变和瞬态的模态参数,提出一种基于滑动窗变步长等变自适应源分离(MWVEASI)的工作模态参数识别方法.该方法采用固定窗长技术,使得非平稳振动响应信号在每个窗内可近似看作是平稳的随机序列,线性慢时变结构可看作多个时不变结构.在每个窗内,再利用变步长的EASI算法...     

基于种类-位置模型的可重构资源指派方法

在基于指令集动态可扩展技术的可重构指令集处理器研究中,如何有效使用系统的可重构资源,将很大程度上影响扩展得到的定制指令的功能实现,进而影响系统性能的优化效果.本文针对可重构资源的利用问题,首先设计了一种可重构资源模型,该模型弱化了可重构资源的功能和数量属性,主要提供其种类和位置属性,并能够以此计算资源使用的时间属性.基于此模型,本文将图论中的图着色问题进行扩展,引入多遍着色的思想,提出了一种针对粗粒度可重构资源的资源指派算法,该算法将可重构资源的指派等价为一个图多遍着色问题,通过模型提供的属性参数和限制条件完成指派过程.实验结果验证了算法的有效性,并揭示了资源使用中的规律性,对提高资源利用率和系统性能具有一定的指导意义.     

基于循环神经网络的城市轨道交通短时客流预测

为更好地预测城市轨道交通的短时客流情况,提出了基于循环神经网络模型的预测方法。首先,针对轨道交通进出站客流数据,利用Pearson相关系数确定短时客流影响因素;然后,改进K-means聚类算法划分高、中、低客流量三类轨道站点,分析客流时空分布规律及高峰时间段;最后,采用分别基于长短时记忆神经网络（LSTM）与门控循环单元（GRU）的短时客流预测方法,预测不同类型站点在不同时段的客流。实验结果表明：5 min为预测的最佳时间粒度,在此时间粒度下GRU模型整体性能优于LSTM模型。