現(xiàn)場(chǎng)可編程門陣列(FPGA)是一種可實(shí)現(xiàn)多層次邏輯器件。基于SRAM的FPGA結(jié)構(gòu)由邏輯單元陣列來實(shí)現(xiàn)所需要的邏輯函數(shù)。FPGA中，互連線資源是預(yù)先定制的，這些資源是由各種長(zhǎng)度的可分割金屬線，緩沖器和．MOS管實(shí)現(xiàn)的，所以相對(duì)于ASIC中互連線所占用的面積更大。為了節(jié)省芯片面積，一般都采用單個(gè)MOS晶體管來連接邏輯資源。MOS晶體管的導(dǎo)通電阻可以達(dá)到千歐量級(jí)，可分割金屬線段的電阻相對(duì)于MOS管來說是可以忽略的，然而它和地之間的電容達(dá)到了0.1pf[1]。為了評(píng)估FPGA的性能，用HSPICE仿真模型雖可以獲得非常精確的結(jié)果，但是基于此模型需要花費(fèi)太多的時(shí)間。這在基于時(shí)序驅(qū)動(dòng)的工藝映射和布局布線以及靜態(tài)時(shí)序分析中都是不可行的。于是，非常迫切地需要一種快速而精確的模型。 FPGA中連接盒、開關(guān)盒都是由MOS管組成的。FPGA中的時(shí)延很大部分取決于互連，而MOS傳輸晶體管在互連中又占了很大的比重。所以對(duì)于MOS管的建模對(duì)FPGA時(shí)延估算有很大的影響意義。對(duì)于MOS管，Muhammad[15]采用導(dǎo)通電阻來代替MOS管，然后用。Elmore[3]時(shí)延和Rubinstein[4]時(shí)延模型估算互連時(shí)延。Elmore時(shí)延用電路的一階矩來近似信號(hào)到達(dá)最大值50％時(shí)的時(shí)延，而Rubinstein也是通過計(jì)算電路的一階矩估算時(shí)延的上下邊界來估算電路的時(shí)延，然而他們都是用來計(jì)算RC互連時(shí)延。傳輸管是非線性器件，所以沒有一個(gè)固定的電阻，這就造成了Elmore時(shí)延和Rubinstein時(shí)延模型的過于近似的估算，對(duì)整體評(píng)估FPGA的性能帶來負(fù)面因素。 本論文提出快速而精確的現(xiàn)場(chǎng)可編程門陣列FPGA中的互連資源MOS傳輸管時(shí)延模型。首先從階躍信號(hào)推導(dǎo)出適合50％時(shí)延的等效電阻模型，然后在斜坡輸入的時(shí)候，給出斜坡輸入時(shí)的時(shí)延模型，并且給出等效電容的計(jì)算方法。結(jié)果驗(yàn)證了我們精確的時(shí)延模型在時(shí)間上的開銷少的性能。 在島型FPGA中，單個(gè)傳輸管能夠被用來作為互連線和互連線之間的連接，或者互連線和管腳之間的連接，如VPR把互連線和管腳作為布線資源，管腳只能單獨(dú)作為輸入或者輸出管腳，以致于它們不是一個(gè)線網(wǎng)的起點(diǎn)就是線網(wǎng)的終點(diǎn)。而這恰恰忽略了管腳實(shí)際在物理上可以作為互連線來使用的情況(VPR認(rèn)為dogleg現(xiàn)象本身對(duì)性能提高不多)。本論文通過對(duì)dogleg現(xiàn)象進(jìn)行了探索，并驗(yàn)證了在使用SUBSET開關(guān)盒的情況下，dogleg能提高FPGA的布通率。
上傳時(shí)間： 2013-07-24
上傳用戶：yezhihao
在QPSK調(diào)制方式下，分別研究推導(dǎo)了基于輔助數(shù)據(jù)的極大似然比信噪比估計(jì)算法研究、基于矩的信噪比估計(jì)算法研究以及基于高階累積量的信噪比估計(jì)算法。通過仿真比較了信噪比估計(jì)算法的性能，著重分析比較了采用的迭代次數(shù)及數(shù)據(jù)長(zhǎng)度等參數(shù)對(duì)算法性能的影響，最終根據(jù)算法各自的特點(diǎn)給出了相應(yīng)的適用范圍。
上傳時(shí)間： 2013-10-20
上傳用戶：15736969615
風(fēng)力發(fā)電系統(tǒng)的輸出功率受外界因數(shù)和風(fēng)速的影響。為了提高小型風(fēng)機(jī)發(fā)電機(jī)組的轉(zhuǎn)換效率，文中采用一種最大功率優(yōu)化跟蹤算法。以變步長(zhǎng)來跟蹤風(fēng)速變化，當(dāng)功率變化小于一個(gè)閾值時(shí)停止搜索，來實(shí)現(xiàn)最大功率收索的快速性和穩(wěn)定性。以帶齒輪箱6 kW的鼠籠異步式風(fēng)力發(fā)電并網(wǎng)為基礎(chǔ)，通過Matlab/Simulink軟件仿真結(jié)果證實(shí)此種方法與定步長(zhǎng)爬山法相比，能夠達(dá)到快速跟蹤最大功率點(diǎn)和避免達(dá)到最大功率點(diǎn)附近的時(shí)候頻繁波動(dòng)。
標(biāo)簽： 風(fēng)機(jī) 最大功率點(diǎn) 仿真研究 策略
上傳時(shí)間： 2013-11-14
上傳用戶：agent
為了改善風(fēng)電場(chǎng)發(fā)電的穩(wěn)定性，抑制風(fēng)電引起的電壓波動(dòng)與閃變，提高含風(fēng)電電力系統(tǒng)的穩(wěn)定性問題成為重要的研究?jī)?nèi)容，本文在簡(jiǎn)要介紹風(fēng)電的特點(diǎn)的基礎(chǔ)上，針對(duì)風(fēng)電并網(wǎng)帶來的電能質(zhì)量及穩(wěn)定性等問題，闡述了基于能量調(diào)度技術(shù)的解決方案，詳細(xì)介紹了基于模糊理論"最大-最小"算法的調(diào)度系統(tǒng)控制器和系統(tǒng)其它主要部分的模型及仿真結(jié)果。控制器根據(jù)負(fù)荷用電量預(yù)測(cè)信息控制儲(chǔ)能系統(tǒng)的充放電，不僅能有效抑制并網(wǎng)后電網(wǎng)的電能波動(dòng)也能優(yōu)化風(fēng)電的發(fā)電質(zhì)量。MATLAB仿真結(jié)果表明，風(fēng)電儲(chǔ)能系統(tǒng)能量調(diào)度策略和控制器是有效的，該系統(tǒng)能夠有效減小風(fēng)電場(chǎng)并網(wǎng)功率的波動(dòng)。
標(biāo)簽： 風(fēng)電 儲(chǔ)能系統(tǒng) 能量 調(diào)度策略
上傳時(shí)間： 2013-10-10
上傳用戶：my_cc
概述LPC2101/2102/2103基于一個(gè)支持實(shí)時(shí)仿真的ARM7TDMI-SCPU，并帶有8kB和32kB嵌入的高速Flash存儲(chǔ)器。128位寬度的存儲(chǔ)器接口和獨(dú)特的加速結(jié)構(gòu)使32位代碼能夠在最大時(shí)鐘速率下運(yùn)行。這可以使得中斷服務(wù)程序和DSP算法中重要功能的性能較Thumb模式提高30﹪。對(duì)代碼規(guī)模有嚴(yán)格控制的應(yīng)用可使用16位Thumb模式將代碼規(guī)模降低超過30%，而性能的損失卻很小。
上傳時(shí)間： 2013-10-28
上傳用戶：arnold
單片機(jī)模糊模糊控制是目前在控制領(lǐng)域所采用的三種智能控制方法中最具實(shí)際意義的方法。模糊控制的采用解決了大量過去人們無(wú)法解決的問題，并且在工業(yè)控制、家用電器和各個(gè)領(lǐng)域已取得了令人觸目的成效。本書是一本系統(tǒng)地介紹模糊控制的理論、技術(shù)、方法和應(yīng)用的著作；內(nèi)容包括模糊控制基礎(chǔ)、模糊控制器、模糊控制系統(tǒng)、模糊控制系統(tǒng)的穩(wěn)定性、模糊控制系統(tǒng)的開發(fā)軟件，用單片微型機(jī)實(shí)現(xiàn)模糊控制的技術(shù)和方法，模糊控制在家用電器和工業(yè)上應(yīng)用的實(shí)際例子；反映了模糊控制目前的水平。 單片機(jī)模糊模糊控制目錄 ： 第一章 模糊邏輯、神經(jīng)網(wǎng)絡(luò)集成電路的發(fā)展 1.1 模糊邏輯及其集成電路的發(fā)展1.1.1 模糊邏輯的誕生和發(fā)展1.1.2 模糊集成電路的發(fā)展進(jìn)程1.2 神經(jīng)網(wǎng)絡(luò)及其集成電路的發(fā)展1.2.1 神經(jīng)網(wǎng)絡(luò)的形成歷史1.2.2 神經(jīng)網(wǎng)絡(luò)集成電路的發(fā)展1.3 模糊邏輯和神經(jīng)網(wǎng)絡(luò)的結(jié)合1.3.1 模糊邏輯和神經(jīng)網(wǎng)絡(luò)結(jié)合的意義1.3.2 模糊邏輯和神經(jīng)網(wǎng)絡(luò)結(jié)合的前景第二章 模糊邏輯及其理論基礎(chǔ) 2.1 模糊集合與隸屬函數(shù)2.1.1 模糊集合概念2.1.2 隸屬函數(shù)2.1.3 分解定理與擴(kuò)張定理2.1.4 模糊數(shù)2.2 模糊關(guān)系、模糊矩陣與模糊變換2.2.1 模糊關(guān)系2.2.2 模糊矩陣2.2.3 模糊變換2.3模糊邏輯和函數(shù)2.3.1模糊命題2.3.2模糊邏輯2.3.3模糊邏輯函數(shù)2.4模糊語(yǔ)言2.4.1 語(yǔ)言及語(yǔ)言的模糊性2.4.2 模糊語(yǔ)言2.4.3 語(yǔ)法規(guī)則和算子2.4.4 模糊條件語(yǔ)句2.5 模糊推理2.5.1 模糊推理的CRI法2.5.2 模糊推理的TVR法2.5.3 模糊推理的直接法2.5.4 模糊推理的精確值法2.5.5 模糊推理的強(qiáng)度轉(zhuǎn)移法第三章 模糊控制基礎(chǔ) 3.1 模糊控制的系統(tǒng)結(jié)構(gòu)3.2 精確量的模糊化3.2.1 語(yǔ)言變量的分檔3.2.2 語(yǔ)言變量值的表示方法3.2.3 精確量轉(zhuǎn)換成模糊量3.3 模糊量的精確化3.3.1 最大隸屬度法3.3.2 中位數(shù)法3.3.3 重心法3.4 模糊控制規(guī)則及控制算法3.4.1 模糊控制規(guī)則的格式3.4.2 模糊控制規(guī)則的生成3.4.3 模糊控制規(guī)則的優(yōu)化3.4.4 模糊控制算法3.5 模糊控制的神經(jīng)網(wǎng)絡(luò)方法3.5.1 神經(jīng)元和神經(jīng)網(wǎng)絡(luò)3.5.2 神經(jīng)網(wǎng)絡(luò)的分布存儲(chǔ)和容錯(cuò)性3.5.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法3.5.4 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的模糊控制3.5.5 神經(jīng)網(wǎng)絡(luò)構(gòu)造隸屬函數(shù)3.5.6 神經(jīng)網(wǎng)絡(luò)存儲(chǔ)控制規(guī)則3.5.7 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)模糊化、反模糊化第四章 模糊控制器 4.1 模糊控制器結(jié)構(gòu)4.2 模糊控制器設(shè)計(jì)4.2.1 常規(guī)模糊控制器設(shè)計(jì)4.2.2 變結(jié)構(gòu)模糊控制器設(shè)計(jì)4.2.3 自組織模糊控制器設(shè)計(jì)4.2.4 自適應(yīng)模糊控制器設(shè)計(jì)4.3 模糊控制器的數(shù)學(xué)模型4.3.1 常規(guī)模糊控制器的數(shù)學(xué)模型4.3.2 模糊控制器數(shù)學(xué)模型的建立第五章 模糊控制系統(tǒng) 5.1 模糊系統(tǒng)的辨識(shí)和建模5.1.1 模糊系統(tǒng)辨識(shí)的數(shù)學(xué)基礎(chǔ)5.1.2 基于模糊關(guān)系方程的模糊模型辨識(shí)5.1.3 基于語(yǔ)言控制規(guī)則的模糊模型辨識(shí)5.2 模糊控制系統(tǒng)的設(shè)計(jì)5.2.1 模糊控制系統(tǒng)的一般設(shè)計(jì)過程5.2.2 模糊控制系統(tǒng)的典型設(shè)計(jì)5.3 模糊控制系統(tǒng)的穩(wěn)定性5.3.1 穩(wěn)定性分析的Lyapunov直接法5.3.2 語(yǔ)言規(guī)則描述的模糊控制系統(tǒng)的穩(wěn)定性5.3.3 關(guān)系方程描述的模糊控制系統(tǒng)的穩(wěn)定性第六章 數(shù)字單片機(jī)與模糊控制6.1 數(shù)字單片機(jī)MC68HC705P96.1.1 MC68HC705P9單片機(jī)性能概論6.1.2 MC68HC705P9單片機(jī)基本結(jié)構(gòu)6.1.3 MC68HC705P9指令系統(tǒng)6.2 數(shù)字單片機(jī)模糊控制方式6.2.1 數(shù)字單片機(jī)與模糊控制關(guān)系6.2.2 數(shù)字單片機(jī)模糊控制方式第七章 模糊單片機(jī)與模糊控制7.1 模糊單片機(jī)NLX2307.1.1 模糊單片機(jī)NLX230性能概況7.1.2 NLX230的結(jié)構(gòu)及引腳7.1.3 NLX230的模糊推理方式7.1.4 NLX230的內(nèi)部寄存器7.1.5 NLX230的操作及接口技術(shù)7.2 NLX230開發(fā)系統(tǒng)7.3 NLX230應(yīng)用例子第八章 模糊控制的開發(fā)軟件8.1 模糊推理機(jī)原理8.2 模糊推理機(jī)的算法8.3 模糊推理機(jī)結(jié)構(gòu)和清單8.4 模糊邏輯知識(shí)基發(fā)生器8.5 模糊推理開發(fā)環(huán)境8.5.1 FIDE的工作條件8.5.2 FIDE的結(jié)構(gòu)8.5.3 FIDE的工作過程第九章 模糊控制在家用電器中的應(yīng)用9.1 模糊控制的電冰箱9.1.1 電冰箱模糊控制系統(tǒng)結(jié)構(gòu)9.1.2 模糊控制規(guī)則和模糊量9.1.3 控制系統(tǒng)的電路結(jié)構(gòu)9.1.4 控制規(guī)則的自調(diào)整9.2 模糊控制的電飯鍋9.2.1 煮飯的工藝過程曲線9.2.2 模糊控制的邏輯結(jié)構(gòu)9.2.3 模糊量和模糊推理9.2.4 控制軟件框圖9.3 模糊控制的微波爐9.3.1 控制電路的結(jié)構(gòu)框圖9.3.2 微波爐的模糊量與推理9.3.3 微波爐控制電路結(jié)構(gòu)原理9.3.4 控制軟件原理及框圖9.4 模糊控制的洗衣機(jī)9.4.1 模糊洗衣機(jī)控制系統(tǒng)邏輯結(jié)構(gòu)9.4.2 模糊洗衣機(jī)的模糊推理9.4.3 洗衣機(jī)物理量檢測(cè)方法9.4.4 布質(zhì)和布量的模糊推理第十章 模糊控制在工程上的應(yīng)用10.1 模糊參數(shù)自適應(yīng)PID控制器10.1.1 自校正PID控制器10.1.2 模糊參數(shù)自適應(yīng)PID控制系統(tǒng)結(jié)構(gòu)10.1.3 模糊控制規(guī)則的產(chǎn)生10.1.4 模糊推理機(jī)理及運(yùn)行結(jié)果10.2 恒溫爐模糊控制10.2.1 恒溫爐模糊控制的系統(tǒng)結(jié)構(gòu)10.2.2 模糊控制器及控制規(guī)則的形成10.2.3 模糊控制器的校正10.3 感應(yīng)電機(jī)模糊矢量控制10.3.1 模糊矢量控制系統(tǒng)結(jié)構(gòu)10.3.2 矢量控制的基本原理10.3.3 模糊電阻觀測(cè)器10.3.4 模糊控制器及運(yùn)行
上傳時(shí)間： 2014-12-28
上傳用戶：semi1981
提出了一種改進(jìn)的LSM-ALSM子空間模式識(shí)別方法，將LSM的旋轉(zhuǎn)策略引入ALSM，使子空間之間互不關(guān)聯(lián)的情況得到改善，提高了ALSM對(duì)相似樣本的區(qū)分能力。討論中以性能函數(shù)代替經(jīng)驗(yàn)函數(shù)來確定拒識(shí)規(guī)則的參數(shù)，實(shí)現(xiàn)了識(shí)別率、誤識(shí)率與拒識(shí)率之間的最佳平衡；通過對(duì)有限字符集的實(shí)驗(yàn)結(jié)果表明，LSM-ALSM算法有效地改善了分類器的識(shí)別率和可靠性。關(guān) 鍵 詞 學(xué)習(xí)子空間; 性能函數(shù); 散布矩陣; 最小描述長(zhǎng)度在子空間模式識(shí)別方法中，一個(gè)線性子空間代表一個(gè)模式類別，該子空間由反映類別本質(zhì)的一組特征矢量張成，分類器根據(jù)輸入樣本在各子空間上的投影長(zhǎng)度將其歸為相應(yīng)的類別。典型的子空間算法有以下三種[1, 2]：CLAFIC(Class-feature Information Compression)算法以相關(guān)矩陣的部分特征向量來構(gòu)造子空間，實(shí)現(xiàn)了特征信息的壓縮，但對(duì)樣本的利用為一次性，不能根據(jù)分類結(jié)果進(jìn)行調(diào)整和學(xué)習(xí)，對(duì)樣本信息的利用不充分；學(xué)習(xí)子空間方法(Leaning Subspace Method, LSM)通過旋轉(zhuǎn)子空間來拉大樣本所屬類別與最近鄰類別的距離，以此提高分類能力，但對(duì)樣本的訓(xùn)練順序敏感，同一樣本訓(xùn)練的順序不同對(duì)子空間構(gòu)造的影響就不同；平均學(xué)習(xí)子空間算法(Averaged Learning Subspace Method, ALSM)是在迭代訓(xùn)練過程中，用錯(cuò)誤分類的樣本去調(diào)整散布矩陣，訓(xùn)練結(jié)果與樣本輸入順序無(wú)關(guān)，所有樣本平均參與訓(xùn)練，其不足之處是各模式的子空間之間相互獨(dú)立。針對(duì)以上問題，本文提出一種改進(jìn)的子空間模式識(shí)別方法。子空間模式識(shí)別的基本原理1.1 子空間的分類規(guī)則子空間模式識(shí)別方法的每一類別由一個(gè)子空間表示，子空間分類器的基本分類規(guī)則是按矢量在各子空間上的投影長(zhǎng)度大小，將樣本歸類到最大長(zhǎng)度所對(duì)應(yīng)的類別，在類x()iω的子空間上投影長(zhǎng)度的平方為()211,2,,()argmax()jMTkkjpg===Σx (1)式中 函數(shù)稱為分類函數(shù)；為子空間基矢量。兩類的分類情況如圖1所示。
上傳時(shí)間： 2013-12-25
上傳用戶：熊少鋒
現(xiàn)實(shí)世界中有很多問題，它的機(jī)理較簡(jiǎn)單，用靜態(tài),線性或邏輯的方法即可建立模型，使用初等的數(shù)學(xué)方法，即可求解，我們稱之為初等數(shù)學(xué)模型。本章主要介紹有關(guān)自然數(shù)，比例關(guān)系，狀態(tài)轉(zhuǎn)移，及量剛分析等建模例子，這些問題的巧妙的分析處理方法，可使讀者達(dá)到舉一反三，開拓思路，提高分析, 解決實(shí)際問題的能力。 在人們的生產(chǎn)實(shí)踐中，經(jīng)常會(huì)遇到如何利用現(xiàn)有資源來安排生產(chǎn)，以取得最大經(jīng)濟(jì)效益的問題。此類問題構(gòu)成了運(yùn)籌學(xué)的一個(gè)重要分支—數(shù)學(xué)規(guī)劃，而線性規(guī)劃(Linear Programming 簡(jiǎn)記LP)則是數(shù)學(xué)規(guī)劃的一個(gè)重要分支。自從1947年G. B. Dantzig 提出求解線性規(guī)劃的單純形方法以來，線性規(guī)劃在理論上趨向成熟，在實(shí)用中日益廣泛與深入。特別是在計(jì)算機(jī)能處理成千上萬(wàn)個(gè)約束條件和決策變量的線性規(guī)劃問題之后，線性規(guī)劃的適用領(lǐng)域更為廣泛了，已成為現(xiàn)代管理中經(jīng)常采用的基本方法之一。 如果目標(biāo)函數(shù)或約束條件中包含非線性函數(shù)，就稱這種規(guī)劃問題為非線性規(guī)劃問題。一般說來，解非線性規(guī)劃要比解線性規(guī)劃問題困難得多。而且，也不象線性規(guī)劃有單純形法這一通用方法，非線性規(guī)劃目前還沒有適于各種問題的一般算法，各個(gè)方法都有自己特定的適用范圍。 下面通過實(shí)例歸納出非線性規(guī)劃數(shù)學(xué)模型的一般形式，介紹有關(guān)非線性規(guī)劃的基本概念。
標(biāo)簽： matlab 數(shù)學(xué)建模 教程 編程
上傳時(shí)間： 2013-10-19
上傳用戶：lunshaomo
時(shí)隙分配技術(shù)是VHF/UHF數(shù)據(jù)鏈中的一項(xiàng)關(guān)鍵技術(shù)，通過它可以提高系統(tǒng)的通信效率。在目前VHF/UHF數(shù)據(jù)鏈的基礎(chǔ)上，提出了一種新的時(shí)隙分配高層算法：漸變分配策略，它主要是以固定分配方式為主，以競(jìng)爭(zhēng)分配和動(dòng)態(tài)分配為輔的一種新型時(shí)隙分配策略，兼有固定分配、競(jìng)爭(zhēng)分配和動(dòng)態(tài)分配的優(yōu)點(diǎn)，同時(shí)又盡可能克服它們的缺點(diǎn)，以最小代價(jià)換來最大成效。
標(biāo)簽： VHF UHF 數(shù)據(jù)鏈 時(shí)隙分配
上傳時(shí)間： 2014-01-13
上傳用戶：yl1140vista
當(dāng)GPS信號(hào)發(fā)生阻塞時(shí)，可見衛(wèi)星數(shù)會(huì)不足4顆，這時(shí)迭代最小二乘算法（ILS）與普通擴(kuò)展卡爾曼濾波(EKF)都不再適用。針對(duì)這一問題提出了一種改進(jìn)的EKF算法。該算法利用在垂直地面方向上的位置變化緩慢這一運(yùn)動(dòng)特性，建立了改進(jìn)EKF算法的系統(tǒng)模型。通過理論分析得到了濾波器參數(shù)，最后利用真實(shí)的GPS衛(wèi)星數(shù)據(jù)進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，在可見衛(wèi)星數(shù)不少于4顆時(shí)，此改進(jìn)的EKF算法定位精度與普通的EKF算法基本相同；在GPS信號(hào)阻塞只有3顆可見衛(wèi)星時(shí)，此改進(jìn)的EKF算法的定位精度明顯優(yōu)于普通的EKF算法。
上傳時(shí)間： 2013-12-26
上傳用戶：cmc_68289287
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
