宽带智能天线系统中的频率补偿技术

在无线通信中,智能天线系统在抑制窄带多径干扰方面具有得天独厚的优势,但是用于宽带无线通信系统中时,就需要采用频率补偿方法.重点介绍基于频谱分解、聚焦和插值算法的补偿技术,并对这3种频率补偿技术的性能进行比较,结果表明在应用补偿技术的系统中,系统性能有显著的改善,其中插值算法具有最优的性能.     

Ad Hoc无线网络路由协议研究与展望

AdHoc无线网络是一种无通信基础设施的临时网络 ,首先详细阐述AdHoc无线网络结构和特点 ,然后提出设计AdHoc无线网络协议时必须要满足的条件 ,并分析目前已有的路由协议 ,最后指出下一步研究方向。     

基于多维关联本体的学习资源推荐方法

针对目前互联网环境下学习资源推荐方法无法满足用户垂直化、精准化以及个性化学习需求问题,探索融合学习资源维度、学习者维度以及情境维度的学习资源推荐方法。首先,构建学习资源推荐多维关联本体模型(MCOM),通过语义关系实现学习资源本体、学习者本体和情境本体关联;其次,设计动态自均衡二进制粒子群优化算法(DSEBPSO);最后,将MCOM本体模型与DSEBPSO算法融合应用,提出基于多维关联本体的学习资源推荐方法(MCOM-LROM),为学习者提供最优学习资源或学习路径。相较于当前主流的学习资源推荐方法,MCOM-LROM方法在推荐结果准确性、响应速度以及内容质量等方面性能更优。     

蚂蚁路由算法中agent分析

就蚂蚁路由算法的agent数量和跳跃步数的行为提出简要分析,并在节点agent数量的期望,agent跳跃步数的期望方面给出结论.提出如何设计k值(对每个请求产生的agent的数目)和agent最大跳跃数以减少对网络流量和主机计算能力的影响.     

移动代理系统安全问题研究

该文对当前移动代理系统的安全问题作了较全面的分析,并针对恶意代理和恶意主机问题,分别提出了移动代理安全传输协议和三层保护方案。     

多目标优化视角下在线学习群体形成方法

形成既能满足教师教学实施需求,又能得到学习者认可的在线学习群体是影响在线协作学习效率的重要因素.多目标粒子群算法和遗传算法应用于在线学习群体形成领域是目前的研究热点.然而,利用多目标粒子群算法解决在线学习群体形成问题时存在多样性差,容易陷入局部最优等问题;运用遗传算法解决在线学习群体形成问题时,则需要以耗费大量时间为代价.针对以上问题,提出了多目标优化视角下在线学习群体形成方法：首先根据学习者的多维个性特征建立在线学习群体形成MOLGFM模型(Multi-objective Online Learning Group Formation Model),其次针对形成模型的多目标优化特征,将多目标粒子群算法和遗传算法相结合提出了GAMOPSO(Genetic Multi-objective Particle Swarm Optimization)算法,最后采用GAMOPSO算法求解MOLGFM模型,提出多目标优化视角下的在线学习群体形成方法GAMOPSO-FA(Genetic Multi-objective Particle Swarm Optimization-Formation App...     

基于小波萎缩法的非线性自适应数字滤波器的设计

本文中,将小波萎缩法应用于非线性自适应数字滤波器的设计,介绍利用基于离散正交小波变换的小波萎缩迭代滤波方法,设计出非线性自适应小波萎缩滤波器的模型.文中给出了非线性自适应小波萎缩滤波器的一个消噪实例,证实了非线性自适应小波萎缩滤波器鲁棒性好的特性.     

基于Mobile Agent技术的安全电子商务系统研究

针对基于Mobile Agent技术的电子商务系统中存在的安全性问题,利用密码学知识以及洋葱路由原理,结合电子商务系统工作特点,以防范主动攻击和被动攻击为前提,提出了一种新的安全性检测协议,给出了该协议的详细实现步骤;并利用该协议和电子商务协商工作原理,设计了基于Mobile Agent技术的安全电子商务系统MASEC,并用Aglets系统对该工作模型进行仿真实验.仿真实验证明:设计的MASEC系统是可行的,降低了人机对话交互的复杂度,提高了电子商务的运作效率.     

融合学习过程特征的深度知识追踪方法

在线学习已成为学习者获取知识的重要途径，准 确 和 及 时 了 解 在 线 学 习 者 的 知 识 状 态，并 提供个性化的在线学习支持服务，已成为智能教 育 领 域 的 研 究 热 点。针对现有知识追踪方法 仅 对学习结果进行建 模，鲜有对学习过程特征挖掘建模的研究现状，首 先，从 Ｐｏｓｔ－ｈｏｃ视 角 利 用 ＢＯＲＵＴＡ 特征选择模型挖掘在线学习过程中的多维特征；然后，在 ＤＫＶＭＮ 模 型 基 础 上 构 造 多 维特征网络，设计融合学习过程特征的深度知识追踪模型；最 后，提出深度知识追踪优化方法 ＤＫＶＭＮ－ＢＯＲＵＴＡ。研究结果表明：在公共数据集和实际教学环境的实验条件下，深 度 知 识 追 踪优化方法在 ＡＵＣ评价指标上优 于 传 统 深 度 知 识 追 踪 方 法，证 明 所 提 方 法 具 有 较 好 的 预 测 和 服务效果。