基于最小方差的声线跟踪自适应分层算法

针对高精度水声定位系统中定位精度与计算量相互矛盾的问题,提出了基于最小方差的声线跟踪自适应分层算法。该算法根据声速在有限范围内规律变化的特点,对声速剖面全局搜索,通过各段声速散点到其拟合直线的总方差表示拟切分段与原始声速剖面的差别,利用最大差别找出最佳切分点,保留原始声速剖面特征,实现对声速剖面的简化。实验结果表明,该算法在保证定位精度的同时能够提高计算效率,具有良好的工程应用价值。     

本钢新1号高炉移盖机和开铁口机改造实践

为了解决本钢新1号4747m3高炉炉前移盖机和开铁口机不适应当前生产的难题,采取了把移盖机提升油缸与平衡阀分离,由原来的一阀配一缸改为一阀配多缸;开铁口机钻杆雾化水系统的研发与应用等技术措施。取得了每年可降低油缸、平衡阀、高压耐热胶管采购费用120余万元的效果,炉前钻杆的消耗从27根/天,降低到了21根/天,钻头消耗量从5.2个/炉次,降低到了2.2个/炉次,打铁口时间由原来的平均20min降低到了10min,并减少了操作人员的劳动强度。     

有效扩展阵列孔径的伪快拍构造

许多通信信号具有循环平稳特性。针对广义信号模型和窄带信号模型，利用前后向循环相关函数分别构造出一种新的伪快拍，由此获得了一个孔径扩展一倍的虚拟阵列。对这两种伪快拍应用传统的MUSIC算法时，可分别比SC-SSF和cy-clic-MUSIC算法检测多一倍的信号和获得更高的估计分辨率。仿真结果证明了该结论。     

基于神经网络的多源融合室内定位算法

针对WiFi信号在室内复杂环境下不稳定以及建筑物对地磁场的扭曲作用造成单一定位源定位精度不高的问题, 本文采用多源信息融合定位技术, 有效利用WiFi和地磁场的指纹数据来进行定位, 提出了一种改进的自适应差分进化算法来优化BP神经网络(improved differential evolution BP, IDEBP). 该方法通过改进差分进化算法的变异、交叉和选择操作来优化BP神经网络的权值和偏差, 有助于BP模型更好地学习WiFi和地磁场指纹数据的特征. 仿真结果表明, IDEBP算法能大大提高室内指纹定位的精度.     

基于虚拟锚节点的序列定位算法研究

为解决无线传感器网络中现有序列定位算法存在的定位精度差、复杂度较高等问题,本文提出一种基于虚拟锚节点的序列定位算法。该算法根据未知节点与已有锚节点、虚拟锚节点(锚节点间连线的中点)间的RSSI值建立定位序列来获取未知节点的位置。仿真结果表明,基于虚拟锚节点的序列定位算法比原有算法在定位精度上有较大提高,且降低了算法的硬件代价和时间代价。     

基于拓扑结构变化趋势的MCL优化算法

该文提出一种高精度的移动传感器网络中实现定位跟踪的方法,该方法利用未知节点在运动过程中网络拓扑结构变化的信息提高锚节点利用率,并改善样本采集效率。在无拓扑结构变化的情况下采用牛顿插值方法对节点当前位置进行预测,当拓扑结构有变化时,采用拓扑结构变化构建适应值函数,并用粒子群算法优化样本点的质量。仿真实验结果表明,该文算法与传统算法相比加快了收敛速度,提高了定位精度,改善了在低锚节点密度时的性能。     

小波变换预测移动节点定位算法

针对无线传感器网络移动节点定位精度不高的问题,提出一种基于小波变换预测的移动节点定位算法。根据历史运动轨迹通过小波变换预测节点当前位置,精确采样区域,应用自适应采样方法减少采样次数,通过加权滤波增大高质量样本点以及降低低质量样本点对定位结果的影响,提高定位精度。仿真结果表明,在锚节点数目、通信半径、最大样本点数目等条件变化的情况下,该算法与传统算法相比提高了定位精度,在低锚节点密度环境下表现出良好的效果。     

基于定向广播的AODV控制报文抑制研究

AODV路由协议是通过全向广播请求报文和定时广播Hello报文来建立Ad Hoc网络的路由,但在路由发现阶段需要广播发送大量的请求控制报文,导致了协议性能的下降。针对此问题,提出了一种新的基于定向广播的路由协议,该协议通过定向广播发送请求报文,并根据节点的移动性动态调整Hello报文的发送时间间隔来减少报文的发送。理论分析和仿真结果表明,该方法能有效地减少控制报文的数量,减少路由负载,也显著提高了端到端时延、平均投递率等性能参数。     

宽带非高斯信号的二维波达方向估计方法

该文提出了一种解决宽带非高斯信号二维波达方向估计的方法。该方法利用相干信号子空间方法把宽带的阵列频域数据四阶累积量聚焦到同一个参考频段下,然后利用基于信号空时特征结构的时空DOA 矩阵方法来进行二维DOA估计。理论上证明该方法在高斯噪声环境下对宽带非高斯信号都具有很好的估计性能,通过计算机仿真也验证了该方法的有效性。     

基于遗传优化PNN神经网络的网络安全态势评估

为提高网络安全态势评估的准确率,提出了一种基于遗传优化概率神经网络的网络安全态势评估.首先,在网络安全态势评估建模过程中,根据网络安全态势特点和常见评估等级建立了概率神经网络的网络安全态势评估模型,以便充分挖掘概率神经网络在网络安全态势评估细粒度方面的优势.然后,为了防止因网络安全态势参数细粒度评估而造成收敛速度过慢的情况发生,对概率神经网络的修正因子进行遗传算法优化,并再次进行概率神经网络训练,从而得到稳定的概率网络安全态势评估模型.经过实验证明,相比传统的概率神经网络算法,基于遗传算法优化概率神经网络的网络安全态势评估准确度更高,平均准确率达到90％以上,且训练速度更快.