基于声发射技术的Si-Cr-Ti高温抗氧化涂层弯曲失效机理研究

本研究借助声发射技术对铌基高温抗氧化涂层在常温下的弯曲失效过程进行了研究。利用k均值聚类方法对信号进行了分类, 结合截面扫描电镜观测结果确定高温抗氧化涂层在弯曲载荷下的信号分别对应基体变形、表面垂直裂纹、滑动型界面裂纹和张开型界面裂纹, 通过快速傅里叶变换得到了各类信号的主频分别为100、310、590和450 kHz, 借助小波分析得到了各信号的小波能量系数。涂层弯曲失效过程主要包括四个阶段, 分别为受拉侧表面垂直裂纹萌生的初始损伤阶段、表面垂直裂纹增殖阶段、两侧界面裂纹快速扩展的损伤积累阶段和受压侧涂层明显剥落的宏观剥落阶段。     

Thermophoretic levitation of solid particles at atmospheric pressure

Separation and transportation of powders are important processes in various technological applications. Although mechanical, chemical, or electrical methods can provide possible solutions, operational or environmental constraints may require alternative methods. Spreading and levitation of clusters (aggregates) of fluorinated fumed silica nanoparticles placed under atmospheric pressure on a hot plate is reported. The powder spreading in the chamber continued until the temperature-dependent saturation value of the spot radius, which grew linearly with the temperature. Open space experiments clearly demonstrated levitation of the powder clouds. Qualitative physical analysis of the observed phenomena is suggested. The effect of levitation is explained by the lifting thermo-phoretic force emerging in the Knudsen layer of air. The levitation of the powder under atmospheric pressure becomes possible due to the combination of low adhesion of the fluorinated fumed silica clusters to the substrate, low density of the particles and clusters, and their high specific surface area.     

大规模负载生成客户端影响因素研究

为保障大型线上软件系统服务质量的可靠性,有必要对其进行有效的大规模负载测试。然而,现有研究主要关注待测服务端性能表现、客户端负载生成模型、客户端资源分配等方面,很少涉及客户端负载生成能力,客户端负载生成的相关影响因素缺乏深入分析与量化研究,难以指引经济高效地大规模负载生成。鉴于此,本文从负载生成机制和测试集群构建2个方面实验研究影响客户端负载生成的因素,依据能力指标得出一组大规模负载生成的数据结论。本文为测试人员在客户端发起大规模负载提供了数据参考,可帮助降低大规模负载测试的成本。     

双向特征融合的数据自适应SAR图像舰船目标检测模型

目的 利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法 改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果 利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SSDD）进行实验,与原始的SSD模型相比,轻量化结构设计在不损失检测精度的前提下,样本测试时间仅为SSD的65%;双向特征融合机制将平均精确度（average precision,AP）值由77.93%提升至80.13%,训练和测试时间分别为SSD的64.1%和72.6%;与公开的基于深度学习的SAR舰船目标检测方法相比,本文方法在速度和精度上都取得了最佳性能,AP值较精度次优模型提升了1.23%,训练和测试时间较精度次优模型分别提升了559.34 ms和175.35 ms。结论 实验充分验证了本文所提模型的有效性,本文模型兼具检测速度与精度优势,具有很强的实用性。     

分布式爬虫的研究与实现

网络中的数据蕴藏着大量有价值信息,在实际的项目需求中,为了实现能够自动的在网页上对大量数据的数据信息的收集、解析、格式化存储的过程,提出了基于分布式的网络爬虫技术。采用Nutch爬虫框架和Zookeeper分布式协调服务,配合高性能的Key-Value数据库Redis对数据进行存储,采用Solr引擎将抓取信息进行清晰地索引、展示。运用提取页面信息算法优化提取页面信息流程,通过关键词匹配优化算法根据指标从抓取的数据中获取指标相关数据。通过分布式集群的搭建,Nutch项目的实现,及大量数据的采集,验证了基于Nutch的分布式网络爬虫的可行性。通过页面解析流程实验分析,基于Nutch的分布式爬虫与其他爬虫多组实验数据对比结果表明,基于Nutch的分布式爬虫项目在性能和准确度方面都优于传统其他爬虫。     

自适应聚合策略优化的密度峰值聚类算法

针对密度峰值聚类算法受人为干预影响较大和参数敏感的问题,即不正确的截断距离dc会导致错误的初始聚类中心,而且在某些情况下,即使设置了适当的dc值,仍然难以从决策图中人为选择初始聚类中心。为克服这些缺陷,提出一种新的基于密度峰值的聚类算法。该算法首先根据K近邻的思想来确定数据点的局部密度,然后提出一种新的自适应聚合策略,即首先通过算法给出阈值判断初始类簇中心,然后依据离初始类簇中心最近分配剩余点,最后通过类簇间密度可达来合并相似类簇。在实验中,该算法在合成和实际数据集中的表现比DPC、DBSCAN、KNNDPC和K-means算法要好,能有效提高聚类准确率和质量。     

结合可信度的km-means算法

以K-means为代表的聚类算法被广泛地应用在许多领域, 但是K-means不能直接处理不完整数据集. k_m-means是一种处理不完整数据集的聚类算法, 通过调整局部距离计算方式, 减少不完整数据对聚类过程的影响. 然而k_m-means初始化阶段选取的聚类中心存在较大的不可靠性, 容易陷入局部最优解. 针对此问题, 本文引入可信度, 提出了结合可信度的k_m-means聚类算法, 通过可信度调整距离计算, 增大初始化过程中选取聚类中心的可靠性, 提高聚类算法的准确度. 最后, 通过UCI和UCR数据集验证算法的有效性.     

基于FAHP和K-Means聚类的边坡稳定性模型

为了解决实际工程中边坡安全系数不能准确描述边坡状态的问题,基于定性分析和定量分析相结合的思想,运用FAHP法和K-Means聚类算法,通过对滑坡样本的关键因素进行评价和聚类得到各因素的聚类中心,再通过构建联系数向量的方法,建立基于FAHP和K-Means聚类的边坡稳定性模型。根据边坡中的关键性因素运用基于FAHP和K-Means聚类的边坡稳定性模型完成对未知边坡样本进行预测。将该模型应用于新建南昌到赣州铁路客运专线项目,结果与实际情况相符合,避免了实际工程中单纯考虑边坡安全系数来确定边坡状态的局限性。通过构建基于FAHP和K-Means聚类的边坡稳定性模型,揭示了高度、边坡角、孔隙水压力比等因素与边坡稳定性的非线性关系,此模型可以为边坡的设计、施工、监测提供参考。     

An innovative two-stage data compression scheme using adaptive block merging technique

Test data has increased enormously owing to the rising on-chip complexity of integrated circuits. It further increases the test data transportation time and tester memory. The non-correlated test bits increase the issue of the test power. This paper presents a two-stage block merging based test data minimization scheme which reduces the test bits, test time and test power. A test data is partitioned into blocks of fixed sizes which are compressed using two-stage encoding technique. In stage one, successive blocks are merged to retain a representative block. In stage two, the retained pattern block is further encoding based on the existence of ten different subcases between the sub-block formed by splitting the retained pattern block into two halves. Non-compatible blocks are also split into two sub-blocks and tried for encoded using lesser bits. Decompression architecture to retrieve the original test data is presented. Simulation results obtained corresponding to different ISCAS′89 benchmarks circuits reflect its effectiveness in achieving better compression.     

一种新型能耗优化的无线传感器网络成簇算法

能量消耗一直是限制WSN广泛应用的热门问题之一,能源容量的大小对各个传感器节点产生重要的影响.针对WSN中能耗过快,以及网络区域内能量消耗不均衡而导致的网络生命周期缩短的问题,同时为了提高WSN的能量利用率,提出了一种新型能耗优化的无线传感器网络非均匀成簇算法(UCNE).该算法首先根据节点的历史能耗来竞选簇头节点,将整个网络划分为不均匀的簇群从而平衡簇内节点通信与簇间节点通信的能耗.其次设立新的能量阈值作为网络重新分簇的标准,减少了频繁分簇造成的不必要的控制消息能耗.最后为了降低簇头节点的负担,竞选副簇头节点作为中继转发节点转发主簇头加工的数据并根据权值选择向前向簇头节点传递数据.通过对比相关协议,UCNE协议在平衡网络能耗,延长网络寿命方面表现更优.