基于SysML活动图的测试序列集约简方法

如何对复杂的嵌入式系统生成的测试序列集进行约简,使其更快地满足覆盖准则,从而有效地指导测试执行,是软件测试领域的关键问题。针对这一问题,结合嵌入式实时系统特点,采用SysML活动图对嵌入式系统进行建模,为了避免并发活动引起活动路径组合爆炸的问题,将并发活动进行压缩,选用转移边覆盖率作为测试序列集的评判指标,提出了一种更快满足覆盖率要求的算法—BFC算法。实验结果表明,提出的BFC算法可以有效地约简测试序列集,以较快的速度达到覆盖要求,提高了测试效率。     

计算机类本科生自主学习设计的多方位整合与多途径实现

自主学习的教学模式是培养学生创新精神和实践能力的一种重要途径和载体。本文以南昌航空大学计算机专业本科生为研究对象,在建构主义学习理论、自主学习理论、教学过程最优化理论和现代教学结构理论的指导下,对大学生自主学习的教学模式和实现途径进行了探索与实践。     

WSNs中状态数据的n位索引编码式数据融合

通过对节点状态数据的分析设计了一个特殊的包格式,这样可以避免发送节点的节点号;对节点的数据进行聚类处理,可以划分出大概率的数值,并有利于提高n位索引编码压缩的效率;为了减少节点状态数据的编码位数,再对所有的数据进行n位索引编码压缩操作,这样可以大大降低数据传输量。     

条形码技术在医疗器械制造ERP系统中的应用

ERP系统是利用现代企业的先进管理思想,对企业物流、资金流、信息流进行一体化管理的软件系统。在医疗器械制造ERP系统中,采用条形码技术,不仅可以实现生产过程中数据的快速、可靠采集,记录产品从原材料到出库整个过程的信息,而且还通过把条形码系统与后台数据库的连接,实现产品质量追溯和不合格产品的召回。本文详细介绍了医疗器械制造ERP系统中条形码的设计和使用。包括条形码类型的选择,具体编码的设计以及条形码生成和打印模块的设计。     

事件驱动型无线传感器网络能量监测机制研究

在分析现有无线传感器网络能量监测机制的基础上,针对事件驱动型无线传感器网络,提出EDEMM机制.该机制采用成簇结构,簇成员周期性地监测自身剩余能量,当且仅当能量消耗的幅度较大时才向簇头节点汇报,簇头对簇成员发来的消息进行处理,当簇头融合后的能量超过一定幅度时向汇聚节点汇报.仿真结果表明:EDEMM机制降低了能量消息包的数量,有效地降低了能耗,可以延长网络的使用寿命.     

多尺度时间序列异常事件检测

给出了时间序列中异常事件的多尺度检测方法。该方法基于小波变换模极大值。异常事件可以在各个尺度上进行观察,这是通过沿小波变换模极大值线搜索完成的。并给出了算法实现和在时间序列中的应用。     

无线传感器网络测试技术与测试平台研究

随着无线传感器网络应用研究的不断深入，通过实际传感器节点建立网络平台进行网络测试越来越受到人们的重视。本文对无线传感器网络测试技术和测试平台进行了探讨，并分别对搭建测试平台中的三个关键问题：量化评估节点度网络的状态信息、监视控制节点网络行为、反映大规模网络应用环境，以度解决这三个问题的技术方案进行了介绍和讨论。为无线传感器网络平台的实际设计工作提供了指导和借鉴。     

无感知分组丢失下的无线传感器网络链路质量评估模型

针对现有链路质量评估方法没有考虑到不完整分组对链路产生的影响,将无线传感器网络的链路分组丢失分为感知分组丢失和无感知分组丢失,分析了无感知分组丢失产生的原因,在对无感知分组丢失进行度量的基础上,提出一种无感知分组丢失下的链路质量评估模型。该模型采用卡尔曼滤波对获取的CCI进行降噪处理,基于Cubic模型、最小二乘法拟合出CCI与无感知分组丢失率的关系模型。实验结果表明,无感知分组丢失下的链路质量评估模型是合理的,通过该模型求得的无感知分组丢失率与实测值接近。     

基于时序图卷积的动态网络链路预测

动态网络链路预测广泛的应用前景,使得其逐渐成为网络科学研究的热点.动态网络链路演化过程中具有复杂的空间相关性和时间依赖性,导致其链路预测任务极具挑战.提出一个基于时序图卷积的动态网络链路预测模型(dynamic network link prediction based on sequential graph convolution, DNLP-SGC).针对网络快照序列不能有效反映动态网络连续性的问题,采用边缘触发机制对原始网络权重矩阵进行修正,弥补了离散快照表示动态网络存在时序信息丢失的不足.从网络演化过程出发,综合考虑节点间的特征相似性以及历史交互信息,采用时序图卷积提取动态网络中节点的特征,该方法融合了节点时空依赖关系.进一步,采用因果卷积网络捕获网络演化过程中潜在的全局时序特征,实现动态网络链路预测.在2个真实的网络数据集上的实验结果表明,DNLP-SGC在precision, recall, AUC指标上均优于对比的基线模型.     

基于时空卷积的机会网络拓扑预测

机会网络拓扑的高动态性导致其拓扑预测极具挑战。现有拓扑预测方法主要关注网络长期时空依赖，忽视了短期时空特征。综合考虑机会网络长短期时空依赖关系，提出一种基于动态时间规整算法与时空卷积的机会网络拓扑预测方法（DTW-STC）。基于动态时间规整算法确定切片时长，将机会网络切分为快照，用快照的链路状态矩阵表征其拓扑信息；采用时序卷积神经网络获取短期时序特征，结合网络变化构建时空图表征短期时空关系，利用图卷积运算提取网络的短期时空特征，经过多次卷积的堆叠，得到网络长短期时空特征；基于自编码器结构实现向量空间切换，预测下一时刻网络拓扑。3个真实机会网络数据集ITC、MIT以及Asturias-er上的实验结果表明，DTW-STC方法的预测性能优于基线方法。