基于NDIR的水中污染油检测系统的研究

油类物质(石油类物质和动植物油)作为水和土壤中的一种重要的污染源,不仅使水质不断地恶化,而且给人类的身体健康带来极大的危害.本文时非分散红外光度法(NDIR)测油仪的测油原理和内部结构进行了详细地理论分析.利用此仪器,可以检测出水中矿物油和动植物油的污染物含量,还可用于有机试剂纯度检测及含各种不同C-H键有机物总量和分量的测量.此测油仪采用了调节方便、频率精确的光源调制系统和相关检测技术,具有较高的灵敏度和稳定性,并且体积小适于野外现场使用.     

RBF神经网络在红外CO_2传感器压力补偿中的应用研究

在红外CO2传感器的测量过程中,环境总压是一个重要的影响因素。在环境总压变化的情况下做好压力补偿得出正确的CO2气体分压值,对提高传感器的测量精度有重要意义。提出一种基于聚类和梯度法的径向基函数(RBF)神经网络方法,利用它的局部逼近特性,建立起其在红外CO2传感器的非线性压力补偿中的网络模型。实验结果表明:该应用收到了良好的效果。     

T400工艺板在飞剪电控系统改造中的应用

本文在起停式飞剪的电控系统改造中,采用基于T400工艺模块的分级分布式计算机控制系统,建立了控制系统的数学模型,并针对该控制系统进行了MATLAB仿真。仿真结果表明,该控制系统设计合理,调节系统的动、静态特性较好。     

基于ASP.NET的水稻分子育种信息平台管理系统

为实现水稻生物学数据的共享、交流和利用,基于ASP.NET,结合国内外水稻分子育种研究的现状和需求,构建了水稻分子育种信息平台.系统平台设计了基因库、QTL库和Ontology等多个子库和模块,并针对生物学数据的特点,采用B/S架构,运用存储过程和分页技术等多重手段,实施了客户端和服务器端双重安全屏障.对系统的实现技术、实现方案和优化设计等进行了详细的讨论和阐述.     

基于向量投影的KNN文本分类算法

针对KNN算法分类时间过长的缺点,分析了提高分类效率的方法.在KNN算法基础上,结合向量投影理论以及iDistance索引结构,提出了一种改进的KNN算法--PKNN.该算法通过比较待分类样本和训练样本的一维投影距离,获得最有可能的临近样本点,减小了参与计算的训练样本数,因此可以减少每次分类的计算量.实验结果表明,PKNN算法可以明显提高KNN算法的效率,PKNN算法的原理决定其适合大容量高维文本分类.     

普适计算环境下上下文信息推理的研究

从各种低层上下文信息得到对人们更加有用的高层上下文信息即上下文推理是当前研究的热点.针对该问题,采用描述逻辑,研究基于本体模型的上下文推理方法.首先简要介绍基于本体的上下文模型,该模型增加了对上下文特性的建模,然后分别研究基于本体的推理、基于规则的推理及不一致性验证3种推理方式,借助Jena框架的推理接口实现,推理功能全面,通用性强,基本满足了普适计算系统中上下文推理的需求,最后给出了推理的可用性.     

适用于Ad Hoc网络的混合认证机制

分析了Ad Hoc网络的特点及其对身份认证机制的安全需求,采用椭圆曲线和对称密钥两种认证体制并结合自证明公钥原理,提出了一种适用于Ad Hoc网络的混合认证机制.该机制中门限方案增强了系统的健壮性,基于自证明公钥的双向认证协议确保了交互节点身份的真实性,刷新认证协议保证了节点身份的持续可信,分布式自证明公钥撤销方案可将恶意节点快速从系统中分离出去.分析结果表明,该认证机制具有较高的安全性,同时对系统存储空间、网络通信量和计算开销的要求都很少,有着较高的效率.     

基于模糊自适应免疫算法的非线性系统模型参数估计

复杂生产工艺中非线性系统的模型参数估计是系统建模优化问题中的难点, 为避免优化算法过早收敛于错误的参数估计值, 根据生物免疫机理和模糊逻辑原理提出了一种新颖的模糊自适应免疫算法, 该算法采用混沌超变异操作增强算法搜索能力, 并用免疫网络调节策略保持抗体群的多样性, 同时采用模糊逻辑调节算法参数以提高算法的自适应能力. 函数优化仿真结果表明其具有较好的收敛性能, 并能够克服早收敛问题. 最后将其成功应用于重油热解非线性模型参数估计中, 验证了该算法解决实际建模问题的可行性和有效性.     

基于一致性指标的两类不确定偏好信息集结

研究了两类区间数判断矩阵偏好信息的集结问题.首先,基于Saaty提出的数字互反判断矩阵一致性检验指标(CR),给出了区间数互反判断矩阵的满意一致性条件;然后利用互反与互补判断矩阵之间的关系求解出数字互补判断矩阵的一致性指标(CGCI),并在此基础上给出了区间数互补判断矩阵的满意一致性条件;最后建立了一致性指标最大的两类区间数判断矩阵偏好信息的集结模型,并用此模型解决了供应链中伙伴企业的选择问题.     

一种基于GPU加速的细粒度并行蚁群算法

为改善蚁群算法对大规模旅行商问题的求解性能,提出一种基于图形处理器(GPU)加速的细粒度并行蚁群算法.将并行蚁群算法求解过程转化为统一计算设备架构的线程块并行执行过程,使得蚁群算法在GPU中加速执行.实验结果表明,该算法能提高全局搜索能力,增大细粒度并行蚁群算法的蚂蚁规模,从而提高了算法的运算速度.