模糊神经网络两相流流型辨识算法的研究

针对电容测量灵敏度分布易受被测两相流介质分布的影响,对电容传感器阵列采集的反映两相流介质分布的信息进行模糊处理,经Ｋｏｈｏｎｅｎ网络的自组织学习,提取输入模式样本的分类特征,通过ＢＰ网络的监督学习,可实现两相流流型的有效判别和分类。     

基于MATLAB的电容层析成像系统灵敏场的仿真研揪

电容层析成像是监测两相流动的一种新技术。它可重建两相流在其流经管道横截面上的相分布图像，而重建图像的先决条件是需获得成像系统的灵敏场分布。电容层析成像(ECT)系统阵列传感器的敏感场受被测介质的影响，这一“软场”特性是ECT应用于两相流参数测量中的一个主要问题。本文介绍了基于MATLAB的有限元模型的仿真实验，通过数据分析研究了灵敏场分布的规律。     

基于Matlab的电容层析成像系统软场特性仿真研究

电容层析成像是监测两相流动的一种新技术。它可重建两相流在其流经管道横截面上的相分布图像，而重建图像的先决条件是需获得成像系统的灵敏场分布。电容层析成像(ECT)系统阵列传感器的敏感场受被测介质的影响，这一“软场”特性是ECT应用于两相流参数测量中的一个主要问题。本介绍了基于有限元模型的仿真实验，通过典型介电常数分布下灵敏度分布与空管下灵敏度分布的差值计算与分析，研究了影响灵敏场分布的因素及其规律。     

基于电容层析成像技术的两相流可视化测量仪器

针对油水两相流参数测量问题,依据二重积分微元原理建立了油水两相流分布信息的数学模型,采用一种具有抗杂散电容的测量电路和80C32单片机完成了极板间电容的测量和采集系统的控制,组建了一套8电极油水两相流电容层析成像测量系统,系统采用了自适应阈值的图像重建的方法完成了油水两相流的截面图像的重建和油水两相流含水率的计算,其重建精度在1%左右,满足了油水两相流流型识别的要求,为油水两相流参数的可视化测量提供一种新方法.     

基于SVM决策树的自适应相数ECT图像重建算法

在电容层析成像(ECT)技术的实际应用中,多相流是最普遍存在的流体类型,而被测场域中存在的介质种类常常是未知的。为了解决测量时出现多相流相数未知的情况,利用支持向量机（SVM）决策树算法在分类精度和分类速度上的优点,提出采用基于SVM决策树的电容层析成像图像重建算法对未知相数进行相数预测及图像重建。仿真结果表明,该算法能够实现多相流相数自适应,并提高图像重建精度。     

电容层析成像系统传感器仿真研究

ECT技术是多相流检测领域中的一项新技术,主要用于识别一个封闭管道内两相流/多相流系统中各个相成分分布问题。采用一种新的方法,通过电磁场有限元仿真软件COMSOL,对电容层析成像系统进行图像重建与仿真研究。构建了ECT的不同电极模型,分别对四种典型流型进行了图像重建;通过对离散介质场域的仿真研究,分析了电极数目、屏蔽罩、径向电极对重建图像质量的影响;对气液固三相流进行了图像重建,获得了满意的重建结果。     

气固两相流电容相关流量测量仿真研究

以气/固两相流互相关测量系统为研究对象,采用计算机仿真的方法,对由电容传感器构成的基于离散相浓度的电容互相关流速测量机理进行研究。利用ANASYS软件分析电容传感器与离散相浓度的关系;采用Monte-Carlo方法,建立气/固两相流动模型;研究"凝固流动图型"、"非凝固流动图型",离散相浓度、粒度及速度分布对互相关测量系统的影响。     

电容传感器成像敏感场若干影响因素探讨

电容层析成像(ECT)是一项基于图像的过程检测技术,具有实时性好,非侵入性,价格低廉的优点,适用于多相流检测,并已开始被引入两相流的测量中.在对电容传感器进行数学描述的基础上,建立了电容敏感场分布的数学模型及其有限元模型,介绍了敏感场的计算方法,利用有限元法研究了敏感场电势的分布规律.仿真实验表明:灵敏度分布函数受到介质分布的影响.     

基于SVM和ECT的两相流离散相浓度测量

利用12电极电容层析成像系统(ECT)传感器和最小二乘支持向量机(LS-SVM),提出了两相流离散相浓度测量的新方法。电容传感器用来获取反应离散相分布的66个电容测量值。LS-SVM用来建立离散相浓度测量模型,模型的输入是66个独立的电容值,输出是离散相浓度值。本方法省去了传统ECT技术测量浓度时的图像重建过程。实验结果表明:该方法是有效的,测量误差在6%以内。     

气/液两相泡状流相关流速测量系统的研究

气/液两相流是自然界和工业过程中一种非常典型、复杂的多相流形态,其中,离散相如气泡的运动速度、尺寸、位置以及两相流流型等参数的监测是一个很重要的研究课题.本文介绍了利用电容层析成像技术和相关流速测量技术对气/液两相泡状流的离散相速度及其分布测量的研究.     

基于自适应阈值的大象流检测方法

针对数据中心网络异常流量检测难的问题,提出一种自适应阈值的大象流检测系统.系统结合数据中心网络高度灵活性和全局可见性的特点,采用基于高斯分布的加权优化动态流量学习方法实时预测大象流检测阈值,降低检测错误率,通过基于差分估计的平滑机制,降低检测阈值配置更新频率.仿真实验结果表明,该系统可以有效识别数据中心网络中的大小流,...     

基于深度学习的短时交通流预测

针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型（DBN）与支持向量回归分类器（SVR）作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明：文中提出的预测模型与传统预测模型相比,具有更高的预测精度,预测性能提高了18.01%,是一种有效的交通流预测方法。     

基于增加动量项方法优化的交通流量预测算法

交通流量预测是智能交通系统的核心内容,系统中多个功能的实现都是以其为基础。针对城市路网中交通流量的时域性以及准周期特性,提出了一种基于改进小波神经网路算法的交通流量预测方法。利用具有时域分辨能力的小波神经网络对流量信号进行分类,以实现对交通流量的预测;采用加动量项的方法对网络权值及参数进行修正,避免了神经网络训练时收敛缓慢以及陷入局部极小。通过仿真实验验证,提出方法可实现对交通流量的准确预测,并且可以有效地提高网络学习率。     

基于流的P2P网络特性模型

利用从实际网络获得的数据,提出基于流的P2P网络特性模型。采用图形方法和概述统计识别样本所服从的分布族,使用可视化图形方法和假设检验方法对统计分布模型进行拟合优度检验。分析结果表明,流持续时间的分布模型可以用对数正态分布精确表示,混合对数正态分布可以有效拟合流长和流传输速率分布的分布模型,且P2P应用的流长和流持续时间没有高度相关的关系。     

结合深度学习的短时车流量预测优化方法

随着交通流检测技术的发展,海量的交通流信息可以更容易高效地获取,针对短时车流量预测的准确性要求,提出了一种结合深度学习的短时车流量预测优化方法,采用神经网络Long Short-Term Memory算法,用多因素分析的思想对数据进行处理。通过对短时交通流数据进行多因素分析,如天气因素、节假日等,将短时交通流数据划分为多种数据集,将划分的不同数据集作为训练集去预测与训练集因素相同的未来时刻车流量情况。通过这种方法,使得获取的数据更为纯净,有效解决了多种因素对车流量预测影响问题。结果表明,该优化方法克服了车流量数据集影响因素不单一的缺点,能够更为准确地反映道路交通流的变化特征。     

基于计数型Bloom过滤器的网络数据流统计

现有的流统计信息主要侧重于流抽样而忽视全流统计。为此,提出一种使用优化设计的计数型Bloom过滤器流统计方法。针对计数型Bloom过滤器数据增长带来的计数器溢出和假阳性错误率增高的问题,分别设计动态统计和多个计数器协同统计的方案。概要化的存储结构可方便查询,而且其计数型Bloom过滤器简单的数据结构也易于硬件实现。实验结果表明,与传统哈希方法相比,计数型Bloom过滤器流统计方法的时间复杂度更低,可用于网络应用中的快速全流统计。     

基于时空信息的交通流预测

交通流量预测是城市道路交通信号控制中的重要组成部分。为了提高预测的准确性,基于路口视频检测器数据,提出了一种交通流量预测的交通数据分析方法。随着逐年提高的计算能力,深度学习方法进行短时交通流预测越来越流行,经典的交通流量预测方法通常只能根据被预测道路自身的数据进行分析和决策,而往往较少考虑由同一区域不同道路之间的交通流量关联性。基于城市核心路网交通数据,提出一种基于时空信息的TS-LSTM模型,并与其他经典模型进行比较,所得出的结果验证了相比其他方法而言,该模型具有较高的预测精度。     

一种融合时空关联与社会事件的交通流预测方法

交通流预测作为智能交通系统的一个关键问题,是国内外交通领域的研究热点。交通流预测的主要挑战在于交通流数据本身具有复杂的时空关联,且易受各种社会事件的影响。针对这些挑战,提出一种用于交通流预测的深度学习框架。一方面,针对道路网络非欧氏的空间关联以及交通流时序数据的时间关联,设计了一种融合图卷积神经网络和循环神经网络的特征抽取子网络;另一方面,针对社会事件对交通流的潜在影响,设计了一种基于卷积神经网络的社会事件特征抽取子网络。最后,融合时空关联特征抽取子网络和社会事件特征抽取子网络,实现交通流预测模型。为了验证模型的有效性,文中基于真实交通流数据进行了实验。结果表明,所提模型与传统的预测模型相比具有较高的准确度,准确度提高了3%~6%。     

基于比例分配的WSN信息流调度模型

传感器网络负荷的不断增加导致网络性能大幅下降,针对该问题,文章提出基于比例分配的无线传感器网络信息流调度模型,通过采用对拥塞节点的若干个前一跳节点按比例获取信息流代价,以调整流入拥塞节点信息流的方法,来防止网络发生拥塞。结果表明,该方法控制流入拥塞节点的信息流的大小,可避免因控制流入拥塞节点的信息流而导致的若干个前一跳节点发生严重拥塞。     

数据中心网络流量调度的研究进展与趋势

近年来,流量调度已经发展成为网络领域的热点研究问题.该问题主要决定何时以及以多大速率传输网络中的每条数据流,其对网络性能和应用性能都具有十分重要的影响.然而,在托管着许多大规模互联网应用的数据中心中,流量调度问题正面临着流量矩阵多变、流量种类混杂、以及流量突发等与流量模型相关的挑战.此外,随着数据中心规模的不断壮大,流量调度问题还面临着网络带宽动态化、网络拥塞随机化、以及网络目标多样化等与网络模型相关的挑战.为了进一步提升对数据中心流量调度的关注和理解,推动流调度技术在实际应用中的不断发展,本文分别从调度目标、调度方式和调度对象这三个维度对数据中心网络流调度的相关研究工作进行了分析和对比,并概括出如下结论:现有研究主要以分布式、集中式或混合式的调度方式对数据中心内、数据中心间或数据中心与用户间的流进行高效地调度,从而达到带宽保障、时限保障、最小化流完成时间、最小化Coflow完成时间、公平性保证、最小化流传输成本等目标.本文最后还指出了四个数据中心流调度的未来发展方向,并相应提出尚未解决的研究问题.