基于热湿耦合模型的高温专用服装设计

人们在高温条件下工作时,需要穿专用服装避免灼伤。文章首先利用斯蒂芬—波尔兹曼模型以及织物的密度、比热容等参数得到4层材料在不同时刻的温度分布;其次,采用基于热湿耦合传递的模型列出偏微分方程,得到了第二层的厚度;最后,在此基础上,利用最小二乘法最终求解出防热服第二、四层的最优厚度。     

公交车系统调度模型构建

首先,我们将一天的时间分成了不同的多个时间段。然后,在每个时间段内,我们考虑到公交车公司和乘客两方面的利益,引入了公交车载客的平均满载率、乘客的等待时间和拥挤程度这3个目标函数来衡量公交车公司的利益和乘客的满意度。为求解该目标规划,我们采用了加权系数法,引入了加权因子,使多目标函数转化成单一目标的模型。同时也可以由求得的行车计划得到了公车站交所需的最小车辆数。     

距离度量学习算法的精确性研究

距离度量学习是机器学习领域较为活跃的研究课题之一,文中利用UCI(加州大学欧文分校)数据库的数据对度量学习算法进行比较研究。为了寻找一种可靠的没有明确定义标志的算法,选择四种算法在UCI的六个数据集上对距离矩阵进行比较。每个样本数据集的性质(尺寸和维度)是不同的,因此算法的结果也不同。编码相似度算法在大多数情况下表现良好。在未来的实际应用领域,对于提高无标记数据和相似集的距离度量学习算法的精确性提供了研究基础。     

一种适用于混合型分类数据的聚类算法

传统的K-modes算法采用简单的属性匹配方式计算同一属性下不同属性值的距离，并且计算样本距离时令所有属性权重相等。在此基础上，综合考虑有序型分类数据中属性值的顺序关系、无序型分类数据中不同属性值之间的相似性以及各属性之间的关系等，提出一种更加适用于混合型分类数据的改进聚类算法，该算法对无序型分类数据和有序型分类数据采用不同的距离度量，并且用平均熵赋予相应的权重。实验结果表明，改进算法在人工数据集和真实数据集上均有比K-modes算法及其改进算法更好的聚类效果。     

基于MC8051的压力传感器校准算法

以一种压力传感器为例,介绍了一种改进型压力校准算法。针对高温会对传感器影响较大的特性,同时考虑算法复杂度以及处理器的运算等问题,在高温区采用最小二乘拟合加三次样条插值法,在低常温区则用最小二乘拟合加牛顿差值算法构造温度补偿模型。所有数据运算处理采用MC8051处理器处理。实验结果表明:改进算法模型能很好消除温漂,校准误差在0. 119%以内,满足实际需求。     

基于密度进化理论改进的LDPC码偏移最小和算法

针对目前LDPC码偏移最小和算法的偏移因子的选取方式不够准确灵活等问题，提出了一种基于密度进化理论改进的最小和算法，称为DOMS算法。该算法首先根据密度进化理论计算BP算法和MS算法在每次迭代译码过程中，校验节点传递给变量节点的信息的概率质量函数，然后由两者的差值得出每次迭代对应的偏移因子βｍ，ｍ表示第ｍ次迭代，再对偏移因子序列βｍ做加权平均处理得到新的偏移因子β，通过使用该偏移因子DOMS算法与经典的OMS算法相比。仿真结果表明大约可以取得0.2ｄＢ的增益。此外，当对比与BP算法译码性能相近的LMMSE Min Sum算法时，DOMS算法在获得相似译码性能的基础上，可以节省大约28.29％的逻辑元器件和34.33％的内存。     

基于词法特征的恶意域名快速检测算法

针对互联网中恶意域名攻击事件频发，现有域名检测方法实时性不强的问题，提出一种基于词法特征的恶意域名快速检测算法。该算法根据恶意域名的特点，首先将所有待测域名按照长度进行正则化处理后赋予权值；然后利用聚类算法将待测域名划分成多个小组，并利用改进的堆排序算法按照组内权值总和计算各域名小组优先级，根据优先级降序依次计算各域名小组中每一域名与黑名单上域名之间的编辑距离；最后依据编辑距离值快速判定恶意域名。算法运行结果表明，基于词法特征的恶意域名快速检测算法与单一使用域名语义和单一使用域名词法的恶意域名检测算法相比，准确率分别提高1.7%与2.5%，检测速率分别提高13.9%与6.8%，具有更高的准确率和实时性。     

磁吸附轮式擦窗机器人动力学建模与仿真

针对磁吸附轮式双面擦窗机器人(WCWR)进行动力学建模。分析其在匀速运动情况下,不发生倾覆和不同程度打滑情况下所需最小磁力,并对最小磁力与机器人航向角建模,研究磁力与位姿关系。引入车辆动力学理论,对单个驱动轮进行受力分析,并研究车轮打滑现象,同时引入滑转率概念,由此建立滑转率、航向角与车轮扭矩关系式,并进行建模仿真,以此来研究与设计驱动系统。从而为磁吸附轮式擦窗机器人(WCWR)在打滑情况下的设计提供理论基础。并以此理论为基础选择合适磁力与扭矩进行设计与实验检测理论准确性。     

基于对齐处理与偏差检测的业务流程适合度分析

由于业务流程在实际应用中的多变性及动态性,需要对日志与给定模型之间的服从性进行校验与分析。目前的服从性校验方法主要将日志与模型进行对齐处理以检测整体偏差,但这种全局观测所获得的偏差会影响服从性校验的准确性,因此提出一种新方法对日志和给定模型间的最优对齐进行搜索来分析服从性。首先设定选择子序列划分对齐的种类,并通过对齐搜索算法在不断排除的过程中寻找最小偏差对齐;然后分析同一偏差以不同形式回放于模型子模块中的精度及行为关系确定最优对齐。该方法通过实际业务流程的研究案例及比较实验进行评估,其结果表明准确检测偏差能够明显提高适合度的测量值,并通过分析适合度测量的详细数据得出缩小对齐比较范围可减少计算量的结论。