一种面向度中心性及重叠网络社区的发现算法

针对社会网络中存在较多以度中心节点为中心并且具有多社区重叠节点的网络社区结构,提出了一种面向度中心性及重叠网络社区的两阶段发现算法。第一阶段发现初始社区:选取度最大的Top-k个节点作为候选中心节点,并将每个节点与其邻居节点形成候选初始社区,其中如果某候选社区与已形成的初始社区的重叠度低于阈值,则形成一个新的初始社区;第二阶段调整社区划分:通过偏离度机制进行调整,将偏离度最大值对应的节点划分到连接紧密的相应社区内,形成最终社区划分。实验表明,该方法不仅能够揭示网络中以某个节点为中心的密集的社区结构,还能有效处理初始社区不同程度的重叠问题。相比现有算法,所提方法对预先输入的候选初始社区数k值不敏感,并具有较高的准确性和灵活性。     

一种基于局部拓展的并行重叠社区发现算法

处理海量级数据的有效途径之一是将算法分解为一系列互不依赖的任务,然后利用开源工具并行地执行算法。而在重叠社区发现算法中,基于局部拓展的方法在拓展阶段往往仅需要局部社区及其相应的邻居结点的信息,因而具备可并行执行的可能性。提出了一种可并行化执行的局部拓展算法,并借助开源工具Spark将其实现。算法分为4个阶段。首先,挑选出一组不相关的中心结点并使用其对应的局部网络作为种子;其次,通过删除本身连接不是很紧密的局部网络来过滤选出的种子;然后,采用一种批量式的拓展策略来拓展种子,即一次向局部社区中添加一批邻居结点或从社区中删除一批结点;最后,融合相似的社区。在人工生成的网络以及真实世界中的网络上的实验结果显示 ,所提算法既准确又高效。     

基于标签传播的社区挖掘算法研究综述

社会网络由于其流行程度已经成为众多学者的研究热点。通过社区挖掘算法可以发现存在于社会网络中的潜在社区,而重叠社区挖掘则可以挖掘出更具有现实意义的社区结构。但是在研究中社会网络所包含的庞大数据量又会为之带来种种不便,因此快速的社区挖掘算法就受到了越来越多的重视。基于标签传播的社区挖掘算法具有近乎线性的时间复杂度。文中将从多方面研究目前基于标签传播的社区挖掘算法的优劣,并且详细分析基于标签传播算法在以后研究中的改进思路。     

SCM-OFDM系统在高速信道下的干扰抑制算法

针对重叠码调制的正交频分复用（SCM-OFDM）系统在高速移动环境中,将产生复杂的载波间干扰和层间干扰问题,提出了一种用于SCM-OFDM系统在高速信道中的干扰估计和抵消算法。该算法利用译码器反馈的软信息,分别对载波间干扰和层间干扰进行估计和消除。仿真结果表明,提出的算法能够有效地改善SCM-OFDM系统在高速环境下的性能。     

边界重叠图象的一种快速拼接算法

针对边界部分有重叠的图象,提出了一种基于网络的快速对准算法,并通过平滑因子对图象实现了无缝拼接。     

尾水重叠变化条件下水电站装机容量选择

董箐水电站的下游与龙滩水库衔接,呈现远景尾水重叠变化的特点。通过分析董箐水电站近远期水头特性、上游光照水库对董箐水电站入库径流的影响、河段综合利用要求、供电范围内负荷特性、电源结构及电力市场需求等,采取近期和远景结合的思路,以梯级发电引用流量匹配为原则,通过多方案技术经济比较,选择董箐水电站装机容量为880 MW。     

基于P2P的短视频点播相似度分享系统

在线共享短视频改变了传统的客户/服务器(C/S)视频观看方式,但也增加了服务器带宽压力。针对这一问题,引入P2P技术,构建了SShare系统。研究了重叠网构建和基于点播相似度资源查找算法。仿真实验表明,SShare系统可大大减少服务器带宽资源的消耗。     

基于重叠参数区域的变体飞行器切换LPV控制

针对变体飞行器参数变化范围大,模型具有不确定性和非线性的问题,以后掠角为调参变量建立变体飞行器线性参数时变系统（LPV）模型.将时变参数范围划分为若干参数区域,利用权值系数和参数重叠区域的概念,通过求解线性矩阵不等式组构造一组LPV控制器.以变形量为决策变量设计切换策略,并针对Firebee纵向通道设计了切换LPV控制器.仿真结果表明,通过参数重叠区域构造的LPV模型之间能够平稳、快速切换,该方法使变体飞行器在变形过程中有较好的迎角抗扰能力.     

IMS 重叠网络多路径传输内容分发机制

基于IMS的流媒体业务通常以集中方式为终端客户提供直播、点播等内容服务.然而集中式的服务模式并不能充分利用资源,还会因为流量过于集中而拒绝为更多终端提供服务,甚至会因为媒体服务器的失效而影响业务.提出了一种基于IMS重叠网络支持多路径传输的内容分发机制,在传统IMS网络中通过引入重叠网络实现资源的共享与分发,提高了网络资源利用率、降低了中心媒体服务器负载.实验表明与传统媒体服务器为中心的内容分发机制相比基于IMS重叠网络的内容分发机制具有显著优势.     

基于MATLAB的分段卷积计算

线性卷积要求两个输入序列具有持续时间,但在实际应用中,可能遇到输入序列具有无限持续时间的情况。在这种情况下,分段卷积是一种有效的解决方案。文章讨论了计算分段卷积的两种方法。仿真试验表明,分段卷积方法正确且高效。