非线性自适应滤波在磁致伸缩导波传感器信号处理中的应用

针对传统滤波算法对磁致伸缩导波传感器信号滤波,存在降噪效果不理想、滤波后信号失真等问题,提出一种基于小波分解的非线性自适应滤波算法。在利用小波分解提取参考噪声的基础上,将神经网络和粒子群优化算法引入传统自适应滤波中,实现了对信号的非线性自适应滤波。以纵向导波磁致伸缩传感器对钢杆的检测信号为例,应用该算法进行滤波处理,结果表明:这种算法能够有效滤除检测信号中的噪声,具有滤波后信号信噪比高、信号不失真、容易实现实时处理等优点,可以实际应用在磁致伸缩导波传感器信号处理中。     

网络互动营销的操作方法探讨

国内中小企业的网络营销前景已经毋庸置疑,而互动性亦已成为网络营销活动中的重要组成部分。企业源源不断地发掘出多种多样的互动元素和互动方式,并将其广泛应用于与顾客之间的网上营销活动中。这样一种网络互动营销方式不但冲击并改变着过去被动消极的传统营销模式,而且最终极大地推动并形成了企业与顾客之间的双赢局面。因此,研究分析网络互动营销活动中可能的一些操作方法则具有一定的实际意义与价值。正是基于上述背景,该文尝试探讨并提出了网络营销活动中的一些可行有效且较为实用的具体操作方法。     

基于VC++6.0的双盘式渐开线测试仪齿廓偏差测量控制系统设计

双盘式渐开线测试仪是测量标准齿轮渐开线齿廓的高精度仪器之一.简要介绍了双盘式渐开线测试仪的测量原理和基于VC 6.0的测量控制系统设计.系统由测量软件控制研华数据采集卡PCL-818L采集测量值,通过串口将采集数据传给计算机,最后由软件进行数据处理得到被测齿轮的齿廓偏差并绘制出齿廓偏差曲线.     

基于网络的3DGIS可视化研究

自适应可视化大规模复杂的空间数据已成为三维地理信息系统(3DGIS)的研究热点.为了从服务器传输可视化信息到客户端,文中提出了结点——层数据模型来组织三维场景,该三维场景提供了有效的数据管理方式,包括空间索引和渐进传输算法.服务器根据顶点和三角形数目,对场景元素不是提供几个预先计算的细节层次,而是连续分辨率的表达.客户端根据硬件的性能对复杂三维场景自适应多分辨率可视化,满足多用户并发访问的要求.实验证明,文中的方法能有效地解决大规模复杂空间数据模型的快速可视化.     

基于最小二乘支持向量回归机的Mamdani模糊系统结构

为了提高模糊系统处理高维问题的推广能力,基于最小二乘支持向量回归机(LSSVR)的思想提出了一个设计Mamdani模糊系统的新算法。传统算法都存在过学习问题,该算法在目标函数中考虑了结构风险避免了过学习现象,并将模糊系统的参数寻优问题转化为一个二次规划问题进行求解。在此算法中,构造了一种新的具有语言意义的数据依赖型模糊核函数,它是一种Mercer核。实验结果证明,该算法提高了Mamdani模糊系统的逼近能力和推广能力。     

一种在ASP.NET中调用存储过程的新方法

提出了一种新的在ASP.NET中调用存储过程的方法。该方法和通用方法相比,具有可以提高开发速度,代码容易维护的优点。     

航空发动机压力畸变试验影响因素分析

为探索航空发动机压力畸变试验的影响因素,对畸变发生器及畸变试验参数测量和处理方法进行了研究。在相同插板深度和发动机状态下,通过详细分析试验结果中气动测量截面（Aerodynamic Interface Plane,AIP）上的压力参数和畸变指数发现：畸变发生器的连接气密性差会直接造成低压区压力升高和影响面积缩小的后果,导致试验结果与理论值的综合畸变指数最大偏差达到18%;测量截面参数处理方式是影响畸变试验结果的重要因素,通过镜像对称的处理方式能够细化测量截面参数,使畸变指数提高接近9%,可更好地反映压力畸变水平。该研究可为后续发动机压力畸变研究提供借鉴。     

基于级联加性噪声模型的因果结构学习算法

现有级联非线性加性噪声模型可解决隐藏中间变量的因果方向推断问题,然而对于包含隐变量和级联传递因果关系的因果网络学习存在全局结构搜索、等价类无法识别等问题。设计一种面向非时序观测数据的两阶段因果结构学习算法,第一阶段根据观测数据变量间的条件独立性,构建基本的因果网络骨架,第二阶段基于级联非线性加性噪声模型,通过比较骨架中每个相邻因果对在不同因果方向假设下的边缘似然度进行因果方向推断。实验结果表明,该算法在虚拟因果结构数据集的不同隐变量数量、平均入度、结构维度、样本数量下均表现突出,且在真实因果结构数据集中的F1值相比主流因果结构学习算法平均提升了51%,具有更高的准确率和更强的鲁棒性。     

一种任意分布下的隐变量因果结构学习算法

因果发现旨在通过观测数据挖掘变量间的因果关系,在实际应用中需要从观测数据中学习隐变量间的因果结构。现有方法主要利用观测变量间的协方差信息（如四分体约束）或引入非高斯假设（如三分体约束）来解决线性因果模型下的隐变量结构学习问题,但大多限定于分布明确的情况,而实际应用环境往往并不满足这种假设。给出任意分布下隐变量结构的识别性证明,指出在没有混淆因子影响的情况下,两个隐变量的因果方向可识别所需要的最小条件是仅需要其中一个隐变量的噪声服从非高斯分布。在此基础上,针对线性隐变量模型提出一种在任意分布下学习隐变量因果结构的算法,先利用四分体约束方法学习得到隐变量骨架图,再通过枚举骨架图的等价类并测量每一个等价类中的三分体约束来学习因果方向,同时将非高斯约束放宽到尽可能最小的变量子集,从而扩展线性隐变量模型的应用范围。实验结果表明,与MIMBuild和三分体约束方法相比,该算法得到了最佳的F1值,能够在任意分布下学习更多的隐变量因果结构信息,且具有更强的鲁棒性。     

kμ-Tree:一种空间有效的嵌入式闪存数据库索引

μ-Tree是直接建立在闪存之上的索引,它克服了传统B+树应用于闪存时引起的"游走树"现象,避免更新一页累及多页的现象.但μ-Tree也存在缺点:占用空间比传统B+树多.为克服μ-Tree存在的缺点,本文提出一套机制改进μ-Tree:k分法模型.在此模型中,我们分析了在给定扇出度F时,k值与总记录数n的关系,以及给定记录数n时,不同大小的索引记录项对k的影响;给出了确定k值的基本方法.实验结果表明,k比例划分可以有效地节省索引所占空间,空间节省最大达50%左右,平均可达39%.所提方法在空间资源受限的环境下具有良好的空间特性.