电子束选区熔化成形Nb521合金微观组织与性能分析

采用电子束选区熔化技术制备Nb521合金,研究其致密化成形工艺。通过对成形试样的组织、物相、显微硬度、室温拉伸性能的检测与分析,探讨了电子束选区熔化成形Nb521合金的机理。结果表明,电子束选区熔化成形过程中,电子束熔化电流及速度的合理匹配,是得到表面质量及内部质量优异的成形样品的基础;电子束能量密度为340 J/mm3时,样品的密度达到8.78～8.79 g/cm3; Nb521合金显微组织沿沉积方向呈柱状晶,晶粒沿(200)晶面有较强的择优生长取向;成形样品中除Nb基体相外,还存在少量的Nb2C与Zr C碳化物析出;样品室温抗拉强度达到384 MPa,屈服强度为307 MPa,断后延伸率为16.5%;显微硬度处于1 500～1 700 MPa之间,无各向异性。     

实时网络流量分类研究综述

实时流量分类技术能够按照应用类型对在线网络流量分类,它对网络管理、流量控制以及网络相关研究具有重要意义.首先从不同层次上简单分析了实时流量分类技术的研究现状;给出了流量分类的实时性概念及其指标;然后从流量统计特征和机器学习算法两个方面综述了实时流量分类的主要技术及研究进展,并进行了实时性分析;最后根据未来网络发展对实时流量分类技术提出的新要求,展望了该领域未来的研究发展方向.     

基于AdaBoost的组合网络流量分类方法

针对单一分类方法在训练样本不足的情况下对于小样本网络流分类效果差的特点,通过自适应增强(Adaptive Boosting,AdaBoost)算法进行流量分类。算法首先使用CFS(Correlation-based Feature Selection)特征选择方法从大量网络流特征中提取出少量高效的分类特征,在此基础上,通过AdaBoost算法组合决策树、关联规则和贝叶斯等5种单一分类方法实现流量分类。实际网络流量数据测试表明,基于AdaBoost的组合分类方法的准确率在所选的几种算法中是最高的,其能够达到98192%,且相对于单一的分类算法,组合流量分类方法对于小样本网络流的分类效果具有明显提升。     

基于流量负载的改进型几何抽样算法

为了解决在流量高峰时期网络节点由于超负荷工作导致报文丢失的问题,在几何抽样的基础上,设计了一种能自动适应流量负载变化的抽样算法.该算法在流量高峰时会根据负载情况动态地计算最佳的抽样概率来匹配节点的处理能力从而降低节点丢失的报文数,在流量负载轻时会自动地提高抽样概率以充分利用节点的处理性能.通过真实网络流量数据的实验分析表明,改进后的几何抽样算法不仅能有效降低节点丢弃的报文数,同时还提高了网络测量的精度,证明了该改进算法对流量负载具有良好的适应性.     

电子束选区熔化成形Nb521合金微观组织与性能分析

采用电子束选区熔化技术制备Nb521合金，研究其致密化成形工艺。通过对成形试样的组织、物相、显微硬度、室温拉伸性能的检测与分析，探讨了电子束选区熔化成形Nb521合金的机理。结果表明，电子束选区熔化成形过程中，电子束熔化电流及速度的合理匹配，是得到表面质量及内部质量优异的成形样品的基础；电子束能量密度为340 J/mm3时，样品的密度达到8.78~8.79 g/cm3；Nb521合金显微组织沿沉积方向呈柱状晶，晶粒沿（200）晶面有较强的择优生长取向；成形样品中除Nb基体相外，还存在少量的Nb2C与ZrC碳化物析出；样品室温抗拉强度达到384 MPa，屈服强度为307 MPa，断后延伸率为16.5%；显微硬度处于1 500~1 700 MPa之间，无各向异性。     

基于ARM和FPGA的视频监控系统设计

设计并实现了一种基于ARM+FPGA的视频监控系统,以ARM9处理器为主控制器,FPGA为协处理器,构造ARM与FPGA间的高速数据传输通道和基于Linux的轻量级的图形驱动,完成实时视频采集和显示。实验结果表明,该设计能够流畅播放PAL/NTSC两种制式视频信号,具有良好的扩展性、稳定性和较快的响应速度。     

高速网络流频繁项挖掘算法

在当前骨干网络链路速率呈几何倍数增长的情况下,实时准确地挖掘出网络流中的频繁项对于网络管理和网络安全具有重要的意义.在SS(space saving)计数算法的启发之下,针对网络流的实际特性,提出了一种剪枝操作受时间和流长双重约束的网络流频繁项挖掘算法(integrated weighted frequent items mining,IWFIM).IWFIM计数算法采用时间和流长组合赋权的方式为每个流项赋权,且算法每次剪枝操作时总是删除权值最小的流项.在IWFIM算法的基础上,依据网络流的重尾分布特性,又提出了一种能够结合散列方法和计数方法优点的网络流频繁项挖掘算法(counting Blooming filter and integrated weighted frequent items mining,CBF_IWFIM).CBF_IWFIM算法首先采用改进的计数型布鲁姆过滤器(counting Blooming filter,CBF)在不保存网络流信息的情况下过滤掉绝大部分的短流,然后采用IWFIM算法实现网络流频繁项挖掘.通过实际网络流量测试表明,CBF_IWFIM和IWFIM算法具有非常高的空间利用率和准确率,2种算法对于网络流频繁项的挖掘效果明显优于SS等3种算法,即使在使用其他算法1?3缓存的极端情况下,CBF_IWFIM和IWFIM 2种算法的频繁项识别效果仍然要优于SS等算法.     

一种基于EMD和RVM的自相似网络流量预测模型

针对自相似网络流量提出了一种基于EMD(经验模态分解)和RVM(相关向量机)的自相似时间序列预测模型.该模型利用EMD将滑动窗口内的小时间尺度网络流量序列分解为多个IMF(固有模态函数)分量,以去除流量序列长相关性;然后采用RVM对其中的高频分量进行拟合,而对低频分量则使用ARMA构建预测模型;最后合成各分量的预测结果.实验表明,该模型能准确地预测流量时间序列的幅值及其趋势,与同类型预测方法相比,其预测性能更好.     

基于随机森林算法的网络流量分类方法

精确的网络流量分类是实现互联网可控可管的关键,传统的单一分类算法需要构建基于特定假设的某种模型,算法对于待分类数据的分布要求高,不能满足复杂多变的网络流量的分类要求。基于此,采用多决策树组合的随机森林算法实现网络流量分类。通过实际网络流量数据实验表明,在各种情况下,随机森林算法都能显著改善网络流量特别是小比例样本的分类效果,算法降低了单一算法过于依赖特定假设模型的要求,对于待分类样本的分布要求低,随机森林算法具有良好的分类效果和鲁棒性。     

互联网流采样技术综述

网络流量测量对网络管理、网络监控、网络设计和网络规划具有重要的意义.由于网络带宽以摩尔速率增长,流采样作为一种以有限资源实时获取网络运行状况的方式引起了广泛的关注.文章在分析早期流采样技术现状及不足的基础上,详细综述了大流采样算法、流公平采样算法、全流采样算法及异常检测流采样算法四种互联网流采样技术,对四种技术的性能指标给出了理论分析及证明,最后展望了互联网流采样技术可能发展的四个方向.