中职学校计算机基础课程有效教学的实践与研究

如今计算机技术已成为人们必须掌握的一门基本技术,计算机应用基础课程是中等职业学校专业基础课的重要学科。提高学生计算机水平和实际操作能力,是中等职业学校计算机教学的根本任务。然而,由于中职生整体素质逐步下降,学习能力和自控能力较差,学习积极性不高,计算机课程教学效率也难以提高。因此,本文就我在计算机应用基础课程中实施有效教学谈谈自己的一点认识。     

VPDN在虚拟校园网的应用

本文主要介绍利用虚拟专用拨号网(VPDN)实现虚拟校园网的技术方案,并讨论了虚拟校园网系统的安全性。     

一类有色噪声干扰下的随机时变系统学习辨识

讨论由一类时变ARMAX模型描述的动态系统学习辨识问题,提出用于估计有限区间上重复运行时变系统时变参数的学习算法.文中给出最小二乘学习算法的具体形式及实现步骤,并分析所提出学习算法的收敛性.分析结果表明,当重复持续激励条件成立且满足严格正实条件时,提出的学习算法具有重复一致性,即参数估值完全收敛于真值.文中还将结果推广到一类周期时变系统.通过数值仿真,进一步对所提学习算法的有效性进行了验证.     

浅谈网站安全技术

信息安全是网络应用中的一个重要问题。网站是信息的发布中心(Web服务器),其数据库中存放有大量的供用户共享的重要信息,因此,网站的安全是网站建设和运行过程中应该充分考虑的重要问题。本文分析了网站安全隐患的现状,介绍了网站常见的安全漏洞,以及如何提高网站服务器的安全性和稳定性,同时介绍了防火墙(firewall)技术在网站安全中的应用等方面的问题。     

UTM及其在网络安全中的应用

本文分析了网络安全及传统防火墙面临的安全挑战,介绍了UTM工作原理及关键技术,最后给出一个校园网络应用UTM安全设备的实例。     

迭代学习控制系统的鲁棒收敛性分析(英)

本文提出一种开闭环配合的滤波器型选代学习控制算法，并将这种算法应用于一般非线性动态系统的轨迹跟踪．对于渐近重复初始条件和渐近周期干扰的情形，通过控制误差估计和输出误差估计，文中分别证明了学习过程的一致收敛性．证明中未采用线性化手段．     

注塑机注射速度的离散预期学习控制

针对注塑成形过程的重复运行特性,采用离散预期学习控制方法对注射阶段的针对离散化后的注塑机注射速度模型,根据收敛性条件以两步法设计预期学习控制中的两个参数--超前步长与学习增益,并与连续预期学习控制作了比较.当收敛性条件不能在整个频段内满足时,利用DFT/IDFT截断可学习频段外的频率信号,保证跟踪误差单调收敛,并在离散频域内讨论测量噪声存在及初始定位不可重置时学习算法的跟踪性能.仿真结果表明,对于给定的期望注射速度曲线,该方法能得到比P型、D型迭代学习控制(ILC)更满意的跟踪性能,且具干扰抑制能力.     

参数跟踪算法的收敛性质

讨论了时变遗志因子和加权配合的递推辨识算法的算法性质和确定性收敛性．证明了估值有界和误差渐近趋于零．指出这类算法具有指数收敛性．     

平滑l1模神经网络学习算法

神经网络误差函数的不同构造将导致不同的学习敛速，本文基于递推辨识技术，对于绝对误差指标函数提出了一种新的平滑方法作为改进的神经元权值修正算法，该平滑思想也适用于其它绝对误差指标下的最优化问题，通过网络对Ｆｅｉｇｅｎｂａｕｍ映射和ＸＯＲ逻辑的学习算例，说明了算法的快速收敛性能。     

时变机器人系统的重复学习控制: 一种混合学习方案

Repetitive learning control is presented for finite-time-trajectory tracking of uncertain time-varying robotic systems. A hybrid learning scheme is given to cope with the constant and time-varying unknowns in system dynamics, where the time functions are learned in an iterative learning way, without the aid of Taylor expression, while the conventional differential learning method is suggested for estimating the constant ones. It is distinct that the presented repetitive learning control avoids the requirement for initial repositioning at the beginning of each cycle, and the time-varying unknowns are not necessary to be periodic. It is shown that with the adoption of hybrid learning, the boundedness of state variables of the closed-loop system is guaranteed and the tracking error is ensured to converge to zero as iteration increases. The effectiveness of the proposed scheme is demonstrated through numerical simulation.