基于组合度量的应急救援网络路由算法研究

针对AODV协议只选用跳数最小进行选路的缺陷,提出一种新的基于组合量度的路由协议(AMAODV)。该协议综合考虑路由的跳数、节点间链路的有效期和可用带宽3种因素,通过层次分析的方法判定上述3种因素对链路传输的影响,提出了组合度量函数,借助组合度量函数的计算来选择一条具有较小度量值的路径进行传输。仿真结果表明:AMAODV协议在适应高速移动的网络环境上具有一定优势,并能降低网络时延和增加网络吞吐量。     

综放高瓦斯矿井煤层瓦斯涌出量综合预测

为了成功预测竹林山煤矿综放高瓦斯矿井大采高工作面煤层瓦斯涌出量,以主采3号煤层为主要研究对象,针对3号煤层以往开采情况,通过布设测点测量其煤层瓦斯含量和了解相邻矿井瓦斯含量,采用分源预测法、回归法及统计法等预测方法得到了3号煤层瓦斯含量的分布规律,并绘制了3号煤层的瓦斯含量等值线图。对矿井不同生产时期的瓦斯含量进行预测,得到了生产前期、中期及后期采区的最大绝对瓦斯涌出量和最大相对瓦斯涌出量,说明了竹林山煤矿各个时期均属于高瓦斯矿井。     

矿井瓦斯涌出量预测研究中的数学模型

介绍数学模型法的基本原理和瓦斯涌出量的预测步骤,通过确定统计单元、选择合适的变量、建立预测方程等步骤对瓦斯涌出量进行预测,将此种方法应用于实际工程中,结果显示:数学模型法准确性高,预测精度能够满足通风系统设计要求。     

基于桥连接的词典学习方法的语义解析

现阶段的语义解析方法大部分都基于组合语义,这类方法的核心就是词典。词典是词汇的集合,词汇定义了自然语言句子中词语到知识库本体中谓词的映射。语义解析一直面临着词典中词汇覆盖度不够的问题。针对此问题,该文在现有工作的基础上,提出了基于桥连接的词典学习方法,该方法能够在训练中自动引入新的词汇并加以学习,为了进一步提高新学习到的词汇的准确度,该文设计了新的词语—二元谓词的特征模板,并使用基于投票机制的核心词典获取方法。该文在两个公开数据集(WebQuestions和Free917)上进行了对比实验,实验结果表明,该文方法能够学习到新的词汇,提高词汇的覆盖度,进而提升语义解析系统的性能,特别是召回率。     

云组合服务网络的异常植入数据检测算法

云组合服务网络在路由转发控制受到节点的同态扰动影响,容易受到植入入侵,为了提高网络的安全性,提出一种基于阈值组合判决的云组合服务网络的异常植入数据检测算法。构建网络异常植入数据的统计特征模型,采用大数据挖掘技术进行云组合服务网络异常植入数据特征检测和滤波分析,提取云组合服务网络数据的谱特征量,采用支持向量机学习方法进行云组合服务网络的异常植入数据检测过程中的自适应寻优控制,采用双门限阈值组合判决方法,实现对目标数据的准确检测,提高对异常植入数据的准确定位检测能力。仿真结果表明,采用该方法进行云组合服务网络异常植入数据检测的准确概率较高,检测性能较好,提高了网络安全性。     

拉丁藏文字转写成UNICODE藏文字的算法研究

文中对拉丁藏文字和传统藏文字结构进行了分析,建立了271个藏文字部件库和相应对照库,根据对照库和拉丁藏文字的特点,提出了拉丁藏文字转换为传统藏文字的算法,该算法简化了拉丁字母与Unicode藏文字母之间的转换过程,降低了算法复杂度。试验表明除了藏文梵文外,对现代藏文字的转换准确率达到了100%。     

多指版图结构对纳米MOSFET阈值特性的影响分析

针对纳米级工艺多指栅MOS晶体管的不同版图结构及其阈值波动的相关特性进行分析和研究。通过将基于Fujitsu 90nm工艺的三种不同版图结构实现的N型多指栅MOSFET器件阈值电压VTH作为工艺波动的研究对象,运用多元非线性回归算法对测试芯片进行系统工艺波动与随机工艺波动的提取和分析,并对与尺寸、版图结构相关的随机工艺波动特性进行了评估。测试结果表明三种版图结构中有源区共有结构具有最佳的电流驱动特性,有源区隔离结构抑制系统波动能力最优,折叠栅结构具有同尺寸器件较低的阈值电压并可以最有效地抑制随机工艺波动。     

支持CSFB的MSC改造规模预测方法探讨

通过对CSFB语音方案原理的分析,结合业务模型及网络安全等方面的考虑,提出了一种支持4G CSFB的MSC改造规模预测方法,为端局后续建设提供了参考.     

象山煤矿11~#煤层带压开采危险性预测

采用突水系数法对象山煤矿北一采区11#煤层突水危险性进行了预测,结果显示,北一采区西北角、东南角属于相对安全区,突水系数0.06 MPa/m,北一采区北部B6孔附近为相对危险区,突水系数在0.1~0.119 MPa/m之间,其它区域处在临界区。该研究成果可为矿井防治水提供参考依据。     

组合降采样极限学习机

设计了一种针对不平衡数据集的学习机,即组合降采样极限学习机(EUS ELMs)。当训练数据集不平衡时,普通分类器对少数样本的分类敏感性较低,而给予多数样本过度关注。针对这种问题,将组合降采样结构与极限学习机(ELM)结合起来,形成一种新的组合学习机。该学习机继承了组合降采样结构对样本选择的依赖性小的优点,和极限学习机分类效率高、耗时短的优势,而且可以通过不同的参数设置控制对少数样本的关注度,根据使用者需求获得不同分类效果。