认知双向中继网络在κ-μ衰落信道下的中断性能分析

针对认知双向中继网络在进行数据传输时面临的复杂无线信道场景问题,采用广义κ-μ分布构建认知双向中继网络中的视距和非视距无线传输信道,推导次网络在κ-μ衰落信道下的统一中断概率,并分析次网络在多种单一和混合衰落信道情况下的中断性能。仿真结果表明,无线信道的衰落程度对次网络的中断概率影响显著,依据衰落信道类型合理设置网络参数将有助于提升次网络中断性能。     

智能网络磁盘集群负载平衡研究

智能网络磁盘（IND）是一种存储体系结构的新构思,IND集群是一种海量存储的新途径,为维护系统的自动负载平衡,用基于访问频数的动态调整和适时迁移策略相结合,精心设计算法,合理布局数据,使系统高效稳定运行,长期实践表明,这种负载平衡的灵活调度策略,对IND集群存储系统的实现是必要而有利的,对高性能计算的海量存储尤为重要。     

基于Harris角点能量的指纹图像分割算法

指纹图像分割是自动指纹识别系统预处理过程中的一个重要环节。提出了一种基于Harris角点检测器的指纹图像自适应分割算法。首先利用Harris算子计算待分割图像的角点能量,然后使用一种自适应的方法设定阈值完成初分割;采用形态学方法进行后处理以减少分割错误,最后通过面积参数去除分离的残留噪声区域。在FVC2004数据库上的实验结果表明,该分割算法能够准确提取指纹有效区域,并且对低质量指纹图像具有很好的鲁棒性。     

基于SVM的EMD端点效应抑制方法研究

针对经验模态分解在对脑电数据进行处理时存在的端点效应问题,提出了一种新的端点效应抑制方法。该方法将支持向量机和数据加窗进行结合对原始信号进行处理。该方法包括三个步骤：采用支持向量机对原始信号两端分别延拓有限个极大值和极小值;用窗函数对延拓后的数据进行加窗处理;分别对原始信号以及支持向量机延拓和加窗处理后的信号进行经验模态分解,并舍弃各阶固有模态函数中延拓的数据点。为了分析所提方法的性能,以正交性作为量化评价指标对比不同方法的性能。以人工信号和实际脑电信号为实验对象进行的模拟实验表明,相比于其他几种方法,提出的方法可有效抑制经验模态分解处理过程中端点效应问题。     

基于XYZ/SE的软件部分正确性验证

针对软件形式化描述和正确性验证研究中存在的问题,提出了基于XYZ/SE的统一框架研究该问题。在该框架下,基于逐步求精思路对软件进行抽象;对软件整体进行形式化描述和部分正确性验证;对抽象得到的软件各部分进行形式化描述和部分正确性验证;进行调整和验证,即：如果推导结果与预期不一致,则需要重写相关程序或者回溯检查推导过程是否存在错误,直至程序部分正确性得到验证为止。以国库信息处理系统为对象,分析了基于XYZ/SE的统一框架性能。分析表明,基于该框架能够对软件的不同抽象层次进行规范描述,实现从抽象（静态语义）到具体（动态语义）的平滑过渡。同时,基于XYZ/SE的统一框架也可以表示Hoare逻辑推演规则。     

基于密钥分存的关系数据库数字水印技术*

根据关系数据库的特殊性,结合现有数字水印技术,将可信中心和密钥分存的思想引入关系数据库水印算法。首先争取对水印信息分存,然后根据分存值序列,分成三元组序列,对数据库中有效位数较多的数值型字段值,修改其最低有效位的值。该算法隐蔽性好,可基于部分内容恢复水印信息;可嵌入信息量大,每个字段值可以插入3 bit;水印恢复不需要原始数据库;可以抵抗各种子集攻击和添加攻击。     

带权最大割问题的一种基于划分技术的固定参数可解算法

运用参数计算复杂性理论和技术对带权最大割问题进行了研究。首先对该问题及其相关概念进行了参数化定义,然后对参数化带权最大割问题提出了一种基于随机划分技术的随机算法。该随机算法依次将实例图的顶点进行[1n(1/ε)]×2~k(0ε1)次随机划分,并选择其中权值最大的k-划分作为输出解,因而能在时间O~*(1n(1/ε)2~k)内以至少1-ε的概率找到目标解。接着在此基础上着重运用最新改进的(n,k)-全集划分技术对参数化带权最大割问题提出了一个时间复杂度为O~*(2~(2k+12log~2(2k))的确定性算法,表明了带权最大割问题是固定参数可解的。     

群机器人仿真系统设计与实现

群机器人仿真系统是一个能够对群机器人系统的体系结构、协调控制和学习算法等进行实验的数字仿真系统。分析了各仿真对象的物理特性及其实现难点,给出了仿真系统的软件架构和对象建模,描述了各仿真功能的具体实现。利用本仿真系统进行的实验结果表明此系统达到了比较理想的效果,具有良好的分布式运行能力和方便的实时交互能力,为群机器人系统的研究提供了一个有效的平台。     

单体型组装MEC问题的参数化算法研究

单体型组装MEC问题指如何利用个体的DNA测序片断数据,翻转最少的SNP位点值以确定该个体单体型的计算问题。根据片段数据的特点提出了一个时间复杂度为 O（nk₂2^k₂+mlogm+mk₁）的参数化算法,其中m为片段数,n为单体型的SNP位点数,k1为一个片断覆盖的最大SNP位点数（通常小于10）,k₂为覆盖同一SNP位点的片段的最大数（通常不大于10）。对于实际DNA测序中的片段数据,即使m和n都相当大,该算法也可以在较短的时间得到MEC问题的精确解,具有良好的可扩展性和较高的实用价值。