基于网络缩减的递推分解算法

根据生命线工程网络的特点,介绍了串联边缩减、并联边缩减和源点合并这三种有效的网络缩减规则,并将这些网络缩减规则引入到改进最小路递推分解算法和改进最小割递推分解算法之中,大大简化了上述算法分解出来的子网,减少了网络可靠度分析的复杂程度.实例分析表明,通过引入网络缩减技术,可以有效地降低网络的复杂程度,并能大幅度地提高计算效率.

基于PEEC结合网络缩减算法和递归卷积分析高速MCM电路中同步开关噪声

本文提出了一种分析高速MCM电路系统中电源 /接地板上同步开关噪声的高效方法 ,即基于PEEC结合块缩减算法和递归卷积公式 .该方法具有参数提取简单、高效率、高精度特点 .同时 ,还提出了一种分级建模方法 ,若已知小尺寸电源 /接地板的时域宏模型 ,利用该方法可在时域直接分析大尺寸电源 /接地板上同步开关噪声 .最后 ,不仅运用平面电路公式验证了新方法的精度 ,而且还通过分析高速MCM电源 /接地板上同步开关噪声的两个例子 ,进一步阐明该方法的精度高。

利用网络缩减技术的复杂系统可靠性仿真评估

介绍了一种动态的Monte Carlo仿真算法——有条件的最小割集法。该方法不必事先给出系统的所有最小割集，在每次试验中，只对与系统结构图原节点（或新原节点）相连的最小割集进行仿真，直到结构图原节点和终节点之间的连接关系被这些最小割集确切表示为止。这一过程称为网络缩减。修正了重点抽样估计方法，引入修正的重点抽样估计来计算系统不可靠度，并通过比较系统不可靠度的一般故障树估值方差与重要样本估值方差的大小，说明该方法能够显著减小系统不可靠度估值的方差。最后，通过仿真算例对该方法的计算过程作了说明。

基于卷积神经网络的环视车位检测研究

针对车载平台有限的硬件资源,提出一种快速的卷积神经网络车位检测方法。以YOLOv3算法为基础,根据车位检测特定的应用场景,对模型的深层网络进行优化缩减,并采用MobileNet技术对网络中的卷积层进行加速,该模型在占用较小的存储资源前提下,能够快速有效地完成车位检测任务。实验结果表明,新模型大小为原先模型的1/12,检测速度比原先模型快1倍,而检测准确率与原模型相近。