基于角色的供需网工作流建模与分析*

目前的工作流建模大多是基于过程的,并没有强调工作流中的角色及其交互过程。基于此,从角色及其交互角度,结合以活动和角色描述工作流的优点,将角色的概念引入到对供需网工作流的研究中来,提出了基于角色的供需网工作流模型,通过实例分析系统地总结了模型建模的方法与步骤。这种建模思想有利于模型结构的完善,有利于提高工作流模型的安全性和正确性。     

基于在线鲁棒LSSVM的自适应PID算法

为了解决在线最小支持向量机在每个采样周期更新模型带来计算量大的问题,提出了在线鲁棒最小二乘支持向量机(LSSVM)的自适应PID控制算法.通过2步加权策略提高LSSVM的鲁棒性,把样本预测误差与过程先验知识相结合给出控制模型复杂度准则,有效地提高了模型的精度、速度以及稀疏性;结合预测控制思想,把在线鲁棒LSSVM算法用于PID非线性控制.仿真结果表明:鲁棒Huber函数与ε-不敏感函数相结合的鲁棒代价函数,能够有效地对系统局部非线性区域进行建模,随系统工作点变化而自适应地辨识,不仅有较高的控制精度,而且具有较强的鲁棒性和建模速度,能够适应时变参数对象的控制.     

基于视觉注意力模型的红外人体图像兴趣区域提取*

由于红外人体图像所处背景的复杂性,使用阈值分割定位红外人体图像往往把大量的非人体图像一起分离出来,这给后续工作带来了巨大的计算量.研究了红外人体图像的典型特点和人眼视觉判断人体轮廓图像的敏感特征,使用该特征建立了简单的人眼视觉对人体的注意力模型,并构建特征判别概率函数,对待定目标进行概率的估算,最终使用该模型快速地剔除非人体红外图像的干扰,并准确地定位人体兴趣区域.     

利用干扰提高容量的低复杂度预编码方法

在接收用户配置单天线的多输入多输出广播系统(MIMO BC)中,提出了一种利用干扰提高系     

运维过程复杂度建模及有效性验证

建立了基于复杂性理论的信息系统运维过程复杂度模型,定义了执行复杂度、参数复杂度、上下文复杂度、交互复杂度和并行复杂度5个指标,给出了指标的形式化定义和计算方法,并且提出了使用归一化函数对指标数据进行处理,以比较单一指标在整体复杂度中所占比重的方法,最后通过开设1个电子邮件服务系统的实验验证了模型的有效性. 该模型可用于度量信息系统运行维护过程的复杂程度,寻找运维热点,进而可以评估和优化运维过程,以提高运维质量和效率.     

时间复杂性和空间复杂性研究

计算复杂性是衡量问题求解的难易程度的。研究问题的计算复杂性,可以明确该问题是否存在有效的求解算法。介绍并分析了计算理论的一些基本概念,论述了时间复杂性（包括P、NP、NP-hard、NP-complete和EXPTIME）和空间复杂性（包括PSPACE、NPSPACE、PSPACE-hard和PSAPCE-complete）中的各个主要分类。最后分析了各个复杂性类之间的关系。     

Variable partial-update NLMS algorithms with data-selective updating

We note that some existing algorithms are based on the normalized least-mean square （NLMS） algorithm and aim to reduce the computational complexity of NLMS all inherited from the solution of the same optimization problem, but with different constraints. A new constraint is analyzed to substitute an extra searching technique in the set-membership partial-update NLMS algorithm （SM-PU-NLMS） which aims to get a variable number of updating coefficients for a further reduction of computational complexity. We get a closed form expression of the new constraint without extra searching technique to generate a novel set-membership variable-partial-update NLMS （SM-VPU-NLMS） algorithm. Note that tile SM-VPU-NLMS algorithm obtains a faster convergence and a smaller mean-squared error （MSE） than the existing SM-PU-NLMS. It is pointed out that the closed form expression can also be applied to the conventional variable-step-size partial-update NLMS （VSS-PU-NLMS） algorithm. The novel variable-step-size variable-partial-update NLMS （VSS-VPU-NLMS） algorithm is also verified to get a further computational complexity reduction. Simulation results verify that our analysis is reasonable and effective.     

优化的基于错误学习问题的CKKS方案

针对基于错误学习（LWE）问题的CKKS同态加密方案在密态数据计算中存在的密文大、计算密钥生成复杂以及同态计算效率低的缺陷,运用比特丢弃和同态计算密钥重组的方法,提出了一种优化的LWE型CKKS方案。首先,丢弃密文向量的部分低位比特和同态乘法计算中密文张量积的部分低位比特,从而减小了同态乘法过程中的密文规模;其次,针对比特丢弃对同态计算密钥进行重组和优化,从而去除密钥交换过程中powersof2含有的无关扩展项并降低计算密钥的规模和同态乘法过程中的噪声增长规模。在保证原有方案安全性的基础上,所提优化方案使得计算密钥的维度减少,使得同态乘法的计算复杂性降低。分析结果表明,所提出的优化方案在一定程度上降低了同态计算及计算密钥生成过程的计算复杂性,从而降低了存储开销并提升了同态乘法运算的效率。     

Low complexity SEU mitigation technique for SRAM-based FPGAs

An internal single event upset (SEU) mitigation technique is proposed, which reads back the configuration frames from the static random access memory (SRAM)-based field programmable gate array (FPGA) through an internal port and compares them with those stored in the radiation-hardened memory to detect and correct SEUs. Triple modular redundancy (TMR), which triplicates the circuit of the technique and uses majority voters to isolate any single upset within it, is used to enhance the reliability. Performance analysis shows that the proposed technique can satisfy the requirement of ordinary aerospace missions with less power dissipation, size and weight. The fault injection experiment validates that the proposed technique is capable of correcting most errors to protect space-borne facilities from SEUs.     

面向需求不确定的混装线物流车辆配送区域划分方法

静态的物流车辆调度方案难以适应需求不确定引起的混流装配线物料需求动态变化,导致配送效率低下,甚至生产流程紊乱等问题。针对此问题,提出了一种面向需求不确定的混流装配线物流车辆配送区域划分方法。首先,分析需求不确定对物流车辆配送量的影响,提出了基于信息熵的配送任务复杂性测度方法。其次,在复杂性测度的基础上,建立以物流配送车辆满载率最大、配送任务复杂度最小为目标的调度优化模型。最后,在实例中应用遗传算法对调度优化模型进行求解,得出物流车辆配送区域最优划分方案。结果表明,所提方法能够输出适应需求不确定的物流车辆配送区域划分方案,满足需求变化的同时,保证车辆满载率维持在最高水平,并降低配送任务复杂度,减少配送错误发生率。