凝析气藏生产气油比混沌时间序列预测方法

混沌时间序列预测方法在油气田勘探开发过程中发挥着重要的作用。地下储层通常具有较强的非均质性,流体的流动也受到多种未知因素的影响,这也与各种混沌现象极为相似。根据相空间重构理论,应用遗传算法求取最小嵌入维数m及时间延迟τ,构建了混沌时间序列模型,并对牙哈凝析气藏两口井的生产气油比进行了模拟及预测,拟合误差小于6%。研究结果表明,该预测模型有较高的精度。     

基于诊断策略遗传算法的配电网络重构算法

为减小网损,提出基于诊断策略遗传算法的配电网络重构方法.针对基因诊断策略,提出新的编码方案,改进遗传操作。对优质基因进行诊断,存入优质基因库;并且将诊断出的劣质基因（即不可行解）通过打开回路和连通孤岛的方法,将其修复为可行解,从而提高收敛速度和遗传算法搜索效率.最后对典型IEEE 33节点和IEEE69节点测试系统进行网络重构仿真实验,证实了算法的有效性,并与快速支路交换算法的计算结果相比较,表明了该算法可有效减小重构配电网的网损.     

企业可重构竞争力系统中和谐思维方式研究

和谐竞争观是企业可重构竞争力系统所固有的组成部分,也是该系统可持续发展的必要条件。认为和谐是企业可重构竞争力系统的特性之一;和谐思维方式促使企业可重构竞争力系统功能得到极大化发挥。结合系统论、复杂科学理论,讨论企业可重构竞争力系统中和谐思维方式是如何体现在各层级之间的和谐关系之中,并且定量分析了和谐度对竞争力系统功能发挥的影响。     

基于近邻消息传递的自适应局部线性嵌入

针对局部线性嵌入(LLE)降维算法中邻域参数的人工设定及其全局性的缺陷,研究了聚类和降维的内在联系,提出了邻域参数的自适应选取策略,构建了一种聚类和降维的自适应局部线性嵌入(ALLE)算法,为每个样本点设计最佳的近邻搜索空间,自适应选取邻近点计算权值重建矩阵,基于类信息重新定义了重构误差函数。实验表明,新算法更能体现出数学上流形概念的局部坐标化本质,对不相关数据、冗余数据和噪声数据具有良好的鲁棒性,在实际识别问题中体现出优越的性能。     

OFDM快速频偏估计方法

提出一种基于前导符号为L等分结构的OFDM快速频偏估计的新方法,该方法只需一个OFDM符号作为前导符号,数据开销较小.接收端先用相关求相角的方法完成细频偏估计,再对经过细频偏补偿后的前导数据进行符号重构,然后对重构符号采用L点FFT运算,通过寻找频域信号峰值,对剩余频偏进行估计,从而完成粗频偏估计.为进一步降低系统的计算开销,采用了多级判决方式.计算机仿真表明,该方案具有计算复杂度低,估计性能较高的优点.     

最大Lyapunov指数实现局域网流量的预测

由于网络中存在复杂的非线性动力学特性,基于混沌理论,采用最大Lyapunov指数对局域网络流量序列进行预测分析,能够实现较早地预测出网络流量的突变特性.首先,采用相空间重构理论,并结合C-C算法将实际测试的流量时间序列投影到重构的相空间中.然后,计算其最大Lyapunov指数并对最大可预测时间进行了分析,同时对预测算法进行了研究.最后,对实际测试的局域网流量序列分别采用点预测和区间预测方法进行了分析.仿真结果显示,采用点预测方法对流量突变可以进行有效预测,突变越剧烈预测越准确;而采用区间预测可以有效预测流量的变化趋势,但不适用于广域网环境.进一步表明此方法能有效地利用所有数据信息进行预测,预测效果准确、可靠,可广泛的用于网络拥塞和网络攻击中.     

可重构计算在提高数据采集系统容错中的应用

可重构计算技术在数据采集系统中的应用越来越广泛,这不仅得益于可重构计算技术能够更快的对数据进行处理、降低系统能耗,还得益于其可以提高系统的可靠性。该文介绍了如何利用可重构计算技术,提高数据采集系统的容错能力,使数据采集系统在出现硬件故障时能保持正常工作的能力。     

企业可重构竞争能力的重构动因、过程及方法

从外部的需求、竞争、科技及政策、法规的变化和内部的系统特性及人员创新两方面,分析了可重构竞争能力快速重构的动因;改进了重构过程模型架构,并在管理重构子系统中加入了文化重构因子。在此基础上,提出了三种重构方法,即基本重构方法、复合重构方法及文化重构方法。     

以电炉还原渣重构转炉钢渣的组成与性能

掺加电炉还原渣重构转炉钢渣的组成和结构制备了高胶凝活性的钢渣。采用化学全分析、XRD、SEM等手段分析了钢渣重构前后的组成、水化产物形貌,并进行了力学性能试验。结果表明:重构钢渣矿物组成以活性硅酸二钙、硅酸三钙和七铝酸十二钙等胶凝矿物为主。当电炉还原渣掺量分别为10%和20%、煅烧温度分别为1 350℃和1 250℃时,重构钢渣水泥的活性指数分别为102.9%和104.0%。掺重构钢渣水泥28 d龄期水化产物与普通硅酸盐水泥的相似,但浆体结构更为致密。     

双电压动态可重构FPGA任务模型及调度算法

通过对单电压动态可重构可编程逻辑门阵列（FPGA）实时任务模型的学习研究,建立基于双电压动态可重构FPGA的非可抢占任务模型.该模型很好地描述了双电压动态可重构FPGA任务的特征,在单电压任务模型的基础上增加了双电压任务模型特有的属性.并基于降序首次自适应算法提出一种新的硬件任务调度算法,该算法在保证任务集限制时间内完成所有任务的同时,利用动态电压调节的方法大幅度减少了任务集完成所需要的能量.在Sun Saloris 工作站下对任务调度模型及其算法进行仿真和评估,实验数据表明,这种基于双电压的任务模型的调度算法,能够有效降低FPGA任务执行的能耗,对于大规模的任务,能耗最高可节省24.1%.