基于车联网的广播MAC协议性能分析

针对车载自组织网络IEEE 802.11协议中媒体访问控制(medium access control, MAC)层一维广播性能分析模型不适用于小竞争窗口的问题,提出一种考虑了连续冻结过程(consecutive freeze process, CFP)现象的二维马尔科夫模型。将CFP映射为连续发送分组过程和连续退避冻结过程,分析得出饱和状态下节点各状态转移的概率,并推导出节点广播分组的性能表达式。仿真结果表明,与一维分析模型相比,即使是在争用信道的竞争窗口较小情况下,该二维分析模型也能很好地预测饱和状态下节点广播分组的平均时延、吞吐量和成功接收率。     

BOPPPS模式在操作系统教学中的实践

介绍BOPPPS教学模式,分析该模式中的6个阶段,以操作系统课程中外存组织方式一节为例,探讨在BOPPPS模式教学框架中如何设计符合该模式的教学方案。     

一种复合型数值方法的改进与算法实现

文中对原有的复合方法进行了改进,提出了一种新的复合型数值方法,这种方法解决了原方法求解含源项的问题时存在数值震荡的缺点。为了验证算法的有效性,对计算流体力学中一阶浅水波问题的两个典型的算例进行了数值模拟,在解的光滑性、锐利性等几个方面做了分析,结果表明改进后的方法既消除了数值震荡现象,又能准确地逼近真解,求出锐利的间断,是一种行之有效的数值方法。     

自发参量下转换制备双光子纠缠态在量子信息学中的应用

叙述了自发参量下转换制备双光子纠缠态技术的发展历程、技术原理以及在量子信息学中的应用，并介绍了国内这一领域的进展。     

基于通信信道的视频传输系统的设计

提出了一种利用PCM基群信道进行视频信号传输的方法,介绍了传输系统的工作原理,对视频编码器进行了较为详细的分析,并采用数字信号处理器作控制器,实现了视频信号的实时传输。     

基于算术傅里叶变换的离散Hartley变换的快速算法

离散Hartley变换是一种有用的实值正交变换。文中对其快速算法进行研究,首先介绍利用算术傅里叶变换（AFT）计算离散傅里叶变换（DFT）可使其乘法计算量仅为O（N）,然后文章根据这一特点,分析离散Hartley变换（DHT）的结构特征,通过DFT将AFT和DHT建立了直接联系,提出了一种新的快速DHT算法。算法的计算复杂度能够达到线性O（N）,且算法结构简单,公式统一且易于实现,并与其他快速算法进行了比较,分析可知在数据长度不是2的幂次方时,文中提出的算法的计算时间明显比其他算法的计算时间要小。实验结果也验证了文中算法的有效性,从而为DHT的快速计算开辟了新的思路和途径。     

基于运动分解的嘴部肌肉建模仿真

现有虚拟嘴部肌肉建模多采用传统的Water肌肉分类方法,运动控制较为独立,缺乏对运动间相关性的研究。提出了一种基于运动分解的嘴部肌肉建模及控制方法。首先根据解剖结构及肌肉运动特征,将嘴部自身运动分解为凸唇、翘唇和开合三个基本运动单元;其次现有模型中括约肌运动方式是向中心收缩或扩散,难以表现凸翘等嘴部运动,为此提出了弧状肌模型,并通过控制三个运动参数,结合其它嘴周围肌组合出不同的嘴部运动。实验表明,新方法能够较真实地仿真出嘴部的多种自然运动,控制较为便捷。     

并行仿真中全状态保存技术研究

乐观时间同步机制能够显著提高并行仿真的性能,但是在乐观时间推进过程中会出现因果错误,需要根据保存的状态对事件进行回退,因此事件状态保存机制是影响乐观时间推进效率的重要因素。本文首先简要介绍了并行仿真中逻辑进程的执行过程,讨论了乐观时间推进的状态保存与回退机制;然后对全状态保存技术进行了建模和理论分析,并通过实验测试了全状态保存算法的性能,测试结果验证了理论分析的正确性。     

改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.     

一种联合采样的神经网络光场

相比传统的光场绘制技术,神经网络光场(NeRF)方法可使用神经网络拟合场景的光线采样,将隐式编码输入图片的光场,合成新视图. 针对NeRF方法训练时间长,绘制视图慢的问题,提出了一种基于联合采样的NeRF方法,通过使粗糙网络和细腻网络共享均匀采样结果的方法,减少了不必要的光线采样,从而加快了网络训练和视图合成的速度. 实验结果表明,在取得近似视图合成质量的情况下,与NeRF方法相比,所提方法的训练时间减少了20%,视图合成的效率提高了25%.