考虑材料影响的双向直流固态变压器绕组损耗计算方法

为提高双向直流固态变压器的整体效率和功率密度,研究双向直流固态变压器绕组损耗的计算方法。建立双向直流固态变压器绕组损耗基本计算模型,分别从铜箔绕组、利兹线绕组与实心圆导线绕组三方面研究适合不同导体绕组损耗的计算方法,其中采用有限元与傅里叶分解计算方法求得铜箔绕组损耗,通过修正Ferreria算法求得实心圆导线绕组的交流电阻,将其代入双向直流固态变压器绕组损耗基本计算模型中求得实心圆导线绕组损耗,利兹线绕组损耗由Tourkhani利兹线绕组损耗精准模型计算。以铜箔样例绕组与实心圆导线样例绕组为例进行实验,实验结果表明,所研究方法的计算值与实际测量值非常接近,计算精准度高,计算结果具有较高的实际应用价值,可为双向直流固态变压器整体效率优化提供参考。     

InfoSigs:一种面向Web对象的细粒度聚类算法

面向Web对象的细粒度聚类已经成为学术界研究的热点.然而现有大多数聚类模型只关注如何对文本内容或文章主题进行聚类,聚类结果粒度较粗,无法满足大规模网络信息检索的质量要求.针对上述挑战,充分挖掘Web文档中词汇间的树状概率层次关系,提出一种以词汇信息分布作为特征标志的聚类算法InfoSigs,实现对Web对象的细粒度聚类.算法构建一个信息传递有向无环图,根据词汇在图中信息分布的集中度赋予其合理的权重,产生更具代表性的特征向量;同时算法提出了一个自适应的记录合并模型,有效提高记录簇中记录间的相似度,减少噪音对合并过程的影响.实验结果表明,InfoSigs算法比传统聚类算法—I-Match和Shingling—在F-Measure值上平均约有21.3%的提高,可以有效地运用到多领域Web对象的聚类问题.     

HAPS: Supporting Effective and Efficient Full-Text P2P Search with Peer Dynamics

Recently, peer-to-peer (P2P) search technique has become popular in the Web as an alternative to centralized search due to its high scalability and low deployment-cost. However, P2P search systems are known to suffer from the problem of peer dynamics, such as frequent node join/leave and document changes, which cause serious performance degradation. This paper presents the architecture of a P2P search system that supports full-text search in an overlay network with peer dynamics. This architecture, namely HAPS, consists of two layers of peers. The upper layer is a DHT (distributed hash table) network interconnected by some super peers (which we refer to as hubs). Each hub maintains distributed data structures called search directories, which could be used to guide the query and to control the search cost. The bottom layer consists of clusters of ordinary peers (called providers), which can receive queries and return relevant results. Extensive experimental results indicate that HAPS can perform searches effectively and efficiently. In addition, the performance comparison illustrates that HAPS outperforms a flat structured system and a hierarchical unstructured system in the environment with peer dynamics.     

基于多任务学习的邮件过滤系统的研究

随着电子邮件的广泛使用,如何有效地避免和防范垃圾邮件的侵扰已成为一个亟待解决的问题.受机器学习在邮件过滤中研究和应用的启发,利用多任务学习(multitask learning)的特性,将判断一个用户的邮件是否为垃圾邮件看作一个任务(task),利用多任务学习中任务相关性假设,提出一种基于多任务学习的邮件过滤系统.实验表明,该系统对中英文邮件语料都是可靠和有效的,尤其对于同一邮件列表(mail list)中的用户的邮件.     

线条风格迁移

艺术家为同样内容的线条画作品绘制多种风格的副本是一件非常费时费力的事情。鉴此,提出一种将现有样本线条风格迁移到目标图中的方法。与已有的算法相比,该方法只需一根或数根样本线条就能够进行风格的迁移,并且在风格迁移过程中用户可以通过对参数的调整灵活地控制结果线条几何与其他视觉风格的夸张程度。最后给出若干实例证明了该方法的有效性。     

多网格平台上的高能物理数据共享

当前,高能物理网格计算平台主要依赖于单一的网格中间件与操作系统.而实际上,越来越多的异构资源需要被整合进来.因此,如何在多个平台上(包括不同的网格中间件与操作系统)共享高能物理网格数据是一个基本的研究课题.本文在不改动原有平台的基础上,提出并实现一个网格数据共享系统.基于该系统用户可以透明的在多个平台上管理和共享海量数据.本文主要描述这个系统的体系结构、实现方法、性能优化以及使用场景.     

3D重构中的多项式约束模式*

针对基于单幅图像的3D重构因其约束条件的严重匮乏,而致使重构结果不确定的原因与机理进行了深入研究。以SFS重构方案为研究对象,提出首先将SFS问题规划为仅含二次约束的多项式系统,进而递次使用同伦分析法和精确线搜索技术,最后基于变量集构造一个SDP凸松弛。实验结果表明,这种重构方案不仅可以寻找所有全局解,优化迭代过程,加快收敛速度,而且可以避免产生不理想的局部解,彻底摆脱对初始假定的依赖,确保迭代过程收敛于一个全局极小值。借助多项式系统的完备解空间特性,大大提高了3D重构的精确度和唯一性,非常适用于非刚体表面重构。     

基于文化社会认知算法的云服务优化组合研究

QoS感知的云服务优化组合是云计算领域亟需解决的问题。针对该问题,首先对社会认知算法进行了改进,然后将改进的社会认知算法纳入文化算法的框架之内,构造了新颖的文化社会认知算法,并采用该算法解决QoS感知的云服务优化组合问题。实验结果表明,文化社会认知算法在求解云服务优化组合问题时具有较强的搜索能力和较快的收敛速度;同时,该算法具有很强的推广性,可以用来求解其他类似的组合优化问题。     

基于uMSD的Web服务组合验证方法研究

手工分析组合服务相当困难和耗时,为此提出了一种基于uMSD的Web服务组合的模型检验方法.如何简单和直观地表示Web服务组合的时态性质是该方法的关键问题.鉴于uMSD在简单性和表达力之间找到了一个平衡点,定义了uMSD的形式语法和语义.以Web服务组合OJA为实例,使用uMSD来图形化地表示组合服务的时态性质,展示了u...