基于路径维持概率的Ad Hoc跨层路由方案

本文基于路由稳定性,提出了一种基于路径维持概率的Ad Hoc网络跨层路由方案,根据节点间距离的大小,改变节点的发射功率,有效地减小了节点的功耗。仿真结果表明了该方案的有效性,并节省了功耗。     

基于猜测概率和失误概率的学习诊断模型

受测者在测试过程中存在猜测和失误的可能,然而现有的诊断模型并未考虑这两个因素,因此无法在这种情况下对受测者的知识状态进行有效诊断。本文提出了一种知识空间理论中基于猜测概率和失误概率的学习诊断模型,当受测者出现猜测或失误时,该模型仍可对受测者的知识状态进行有效的诊断。模型依据试题的猜测概率和失误概率对答题状态进行转移,以诊断受测者的真实知识状态,并重点分析了这两种概率的计算方法。该模型在实用性、诊断的准确性等方面具有较好的效果。     

基于SVM和Kalman预测的非线性系统故障预报

针对Kalman预测在非线性系统故障预报中预测误差较大的问题.提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测.采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患.     

非合作式传感器空间运动目标截获概率研究

为了实现非合作式传感器对空间运动目标的有效捕获,在分析kalman滤波误差协方差矩阵的基础上,建立了传感器对目标跟踪误差的空间分布模型,并利用该模型提出了一种基于联合高斯分布的截获概率计算方法。该方法经过降维处理,降低了截获概率计算的复杂度,提高了运算的实时性。仿真实验表明,所提算法具有良好的估计性能。最后,对截获概率的误差来源、影响因素进行了深入的分析并得出了相关结论,可为实际工程应用提供了一定的参考价值。     

HClO对贻贝粘附单元DOPA氧化的理论研究

采用量子化学密度泛函理论(DFT)研究贻贝粘附单元DOPA(3,4-二羟基苯丙氨酸)的结构与性质,得分子的几何构型、原子电荷分布、反应活性及热力学等参数,表明:DOPA苯环易与HClO(次氯酸)发生亲电取代反应(1),生成3-氯4,5-二羟基苯丙氨酸,阻碍生成贻贝内超强粘附单元DOPA二联体,降低粘附蛋白间粘性;DOPA侧链易与HClO发生亲电亲核反应(2),促使DOPA侧链的断裂,降低粘附蛋白内粘性;在相同温度下,反应(1)和反应(2)的△G<0,且△G(1)<△G(2),反应(1)较易发生.     

基于中间节点效应的无标度网络演化模型研究

原BA模型以网络中已存在的各个节点与新增节点的连接相互独立为前提。然而,在真实系统中,当网络中一个节点与新增节点连接后,该节点对其邻居节点与新增节点的连接会存在影响。针对该现象,提出了基于中间节点效应的无标度网络演化模型。首先描述与定义了中间节点效应,然后给出了中间节点效应模型的生成算法,并从理论上分析了该模型的度分布情况,最后利用仿真验证了理论分析的正确性,并就度分布、群聚系数、平均路径长度等复杂网络参数与原BA模型进行了对比,结果表明此模型能生成无标度网络并且更符合现实网络的演化过程。     

注塑机注射速度的模型预测迭代学习控制

针对注射过程具有重复运行和非线性的特性,在对预测控制与迭代学习控制进行综合应用并加以改进的基础上,给出一种模型预测迭代学习复合控制新算法,研究了控制器的设计方案.同时,将迭代学习思想引入到预测步长的在线调整,提出了预测步长的迭代学习方法.仿真结果表明,该方法是有效的,其控制性能优于PID迭代学习控制系统.     

复杂产品开发项目调度问题的模糊优化算法

对具有不确定时间参数的复杂产品开发项目调度问题,提出一种有效的模糊优化调度算法-基于预测的模糊BoP项目调度算法.首先,用模糊数表示不确定的时间参数,并构造相应的模糊数运算方法,对适合于确定性调度问题的BoP算法进行扩展,使其能处理模糊性时间参数.其次,修正了BoP算法中子项目调度方法,提高了算法的调度性能,降低了计算复杂度.大量的数值仿真实验表明,与基于启发式规则的调度算法相比,模糊BoP算法更适合于具有不确定时间参数的复杂产品开发项目调度问题.     

基于混沌时间序列的变电站设备温度预测

变电站输变线路和设备的温度变化能够反映其老化、负载过高等引起的安全隐患.通过对变电站设备温度数据的非线性分析和预测,实现对设备的有效预警,将避免事故引起的巨大损失.对变电站已测温度数据建立时间序列,利用小数据量法验证变电站设备温度时间序列的混沌特性.研究基于RBF神经网络的混沌时间序列预测并与神经网络预测进行对比,单步预测与多步预测结果均优于神经网络预测.仿真结论证明了基于神经网络的混沌时间序列预测方法的有效性.     

A hybrid clustering and graph based algorithm for tagSNP selection

TagSNP selection, which aims to select a small subset of informative single nucleotide polymorphisms (SNPs) to represent the whole large SNP set, has played an important role in current genomic research. Not only can this cut down the cost of genotyping by filtering a large number of redundant SNPs, but also it can accelerate the study of genome-wide disease association. In this paper, we propose a new hybrid method called CMDStagger that combines the ideas of the clustering and the graph algorithm, to find the minimum set of tagSNPs. The proposed algorithm uses the information of the linkage disequilibrium association and the haplotype diversity to reduce the information loss in tagSNP selection, and has no limit of block partition. The approach is tested on eight benchmark datasets from Hapmap and chromosome 5q31. Experimental results show that the algorithm in this paper can reduce the selection time and obtain less tagSNPs with high prediction accuracy. It indicates that this method has better performance than previous ones.