具有失效节点和链路的E-2DMesh网络可靠性研究

对E-2DMesh网络中节点和链路失效模式进行了研究,构造了一种多级事件状态分解法,对网络状态空间进行分解。基于该方法和组合模型原理研究了在给定节点和链路失效概率均为0.10%以下时,对多达上千个节点的E-2DMesh网络仍可达超过0.9119的可靠度。该方法能够应用于研究其他层次结构的网络与其他网络通信问题,也很适合近似计算。

E-2DMesh网络中链路失效模型的可靠性分析

提出了基于子网的E-2DMesh网络结构在存在链路故障情况下的状态转移模型。通过马尔科夫链过程建立了具有单向链路的E-2DMesh网络的可靠性模型,并分别对链路失效独立和链路失效相关条件下的网络可靠性进行了分析。运用概率分析的方法,通过组合模型计算出了较大规模的E-2DMesh网络的可靠性。通过对模型的仿真表明,链路失效相关时的网络可靠性要比链路失效独立时的网络可靠性低。

基于子网的E-2DMesh网络容错单播路由算法

基于k-E-2DMesh子网连通概念和局部信息,提出分布式E-2DMesh网络容错单播路由算法。对算法容错性进行概率分析,假设每个节点具有独立的出错概率,推导出路由算法成功返回由正确节点组成路径的概率。推理结果表明,对于规模较大的E-2DMesh网络,当k值为3而节点出错概率小于0.03%时,该算法找到正确节点所组成路径的概率大于等于99%。其具有线性时间复杂性,构造的路由路径长度接近2点间最优路径长度。

具有可维修链路的E-2DMesh网络可靠性研究

对E-2DMesh网络中单工失效链路模式进行了研究,提出了基于子网的状态转移模型。基于该方法分别对不可维修和可维修链路模式进行了分析,证明了对较大规模的E-2DMesh网络,不可维修链路模式的可靠性要比可维修链路模式低。提出的方法能够用于研究其他层次结构网络和其他网络通信问题。

节点随机出错概率下的E-2DMesh网络容错性研究

采用子网和概率模型对E-2DMesh网络在节点随机出错概率下的容错性进行分析,推出不同时间下的不同规模的E-2DMesh网络的连通概率下界,并且运用严密的数学方法推导出网络连通率与其节点出错概率的关系。实验结果表明以E-2DMesh为拓扑结构的并行计算机网络具有相当高的可靠性,通过对比进一步说明了E-2DMesh网络比Mesh网络具有更好的容错性。

基于数控分流策略的2DMesh NoC路由节点设计

对NoC设计技术进行了研究,设计了采用数控分流策略的NoC路由节点,并基于该节点建立了NoC模型,该模型采用2DMesh拓扑结构,确定性XY路由算法实现。用Verilog HDL完成了NoC模型的功能设计,并对基于该模型的16核CPU进行了RTL级仿真与测试。测试结果显示,该模型完全实现了NoC的功能,可应用于多核CPU设计。

交换超立方网络的嵌入问题研究

交换超立方网络作为超立方网络的一个变种,具有良好的递归性和理想的网络参数。根据交换超立方网络的相关性质研究了E-2DMesh网络和超立方网络的嵌入问题,并得出如下结论:(1)当max(s,t)<7时,不存在dilation=1的EM(2m,2n)到EH(s,t)的嵌入映射(m+n≤s+t+1)。(2)EM(2s,2t)可以expansion=2,dilation=4,load=1嵌入EH(s,t)。(3)当min(s,t)>1时,不存在dilation=1的Qn到EH(s,t)的嵌入映射(n=s+t)。(4)Qn可以ex-pansion=2,dilation=3,congestion=1,load=1嵌入EH(s,t)(n=s+t)。上述结论进一步说明了交换超立方网络具有良好的扩容性。

基于混合神经网络的脑电时空特征情感分类

提出一种脑电图(electroencephalograph,简称EEG)数据表示方法,将一维链式EEG向量序列转换成二维网状矩阵序列,使矩阵结构与EEG电极位置的脑区分布相对应,以此来更好地表示物理上多个相邻电极EEG信号之间的空间相关性.再应用滑动窗将二维矩阵序列分成一个个等长的时间片段,作为新的融合了EEG时空相关性的数据表示.还提出了级联卷积-循环神经网络(CASC_CNN_LSTM)与级联卷积-卷积神经网络(CASC_CNN_CNN)这两种混合深度学习模型,二者都通过CNN卷积神经网络从转换的二维网状EEG数据表示中捕获物理上相邻脑电信号之间的空间相关性,而前者通过LSTM循环神经网络学习EEG数据流在时序上的依赖关系,后者则通过CNN卷积神经网络挖掘局部时间与空间更深层的相关判别性特征,从而精确识别脑电信号中包含的情感类别.在大规模脑电数据集DEAP上进行被试内效价维度上两类情感分类实验,结果显示,所提出的CASC_CNN_LSTM和CASC_CNN_CNN网络在二维网状EEG时空特征上的平均分类准确率分别达到93.15%和92.37%,均高于基准模型和现有最新方法的性能,表明该模型有效提高了EEG情感识别的准确率和鲁棒性,可以有效地应用到基于EEG的情感分类与识别相关应用中.