分布式数据库的复制和分片

该文通过对集中式数据库和分布式数据库进行比较,指出集中式数据库在存储能力,访问速度等方面存在的问题,对分布式数据库中的数据复制和分片的概念,原则,方法进行详细的论述,最后,对数据复制和分片要解决的关键问题进行分析。     

基于集中式协作频谱感知的数据融合技术研究

针对单节点频谱感知中存在的隐蔽终端和多径衰落问题,协作频谱感知应运而生。协作频谱感知有集中式和分布式之分。主要研究了集中式频谱感知中的数据融合技术,通过MATLAB进行建模仿真。仿真结果表明,集中式协作感知模型下软判决比硬判决更好地改善了检测性能,而软判决准则中C-V准则在高信噪比下检测性能最好,EGC准则在低信噪比下检测性能最好。     

针织横机控制系统分析及设计

针织横机系统采用具有以微处理机为基础,以危险分散控制,操作和管理集中为特性的分布式控制系统,解决了因传统的集中式控制带来的机头导线过多而产生的一系列问题。将针织横机分为核心主控制、运动控制和机头控制三大模块,并分别进行功能和作用描述,采用CAN总线来实现各个模块之间的数据通信,以确保通信质量。     

分布式系统动态负载分配算法研究

负载均衡就是如何进行对网络的访问分流,以便能够快速响应用户反应.分布式系统动态负载分配算法就是在程序运行过程中,能够根据各服务器上任务执行实际状态的变化,随时动态地调整任务分配,达到服务器负载均衡.本文分析了目前两种动态分配算法----集中式和分布式的利弊,并根据实际情况提出了一种新的动态负载分配算法,即半分布半集中式分配算法,并给出了具体实现方案,分析其性能.     

一个基于HLA的实时仿真通讯模型的研究

HLA目前在仿真系统中广泛应用,其软件实现RTI也已有多个版本,然而直接采用这些RTI软件产品难以满足实时仿真系统实时通讯的开发需求.为了结合HLA的优点开发适应实时需求的仿真平台,对RTI中的通讯模型进行分析研究和改进,提出了一个基于HLA的集中式多层通讯模型,并给出了通讯管理的策略.通讯模型在硬件上采用多网口网卡完成与各仿真节点的通讯,软件上采用重叠IO套接字模型精简线程的客户端/服务器模式.实验证明,这种通讯模型较大地提高了数据的传输速度,降低了丢包概率,满足了实时仿真系统地开发需求.     

会”倾听”的网站

“天狮集团的网站内容管理采用集中式管理,所有信息都要集中汇总到总部做统一编辑、审核后才能发布。但由于时差问题,往往不能保证信息的实时性,而且用户需要一个动态、个性化的网站,因此网站管理已经成为了Portal系统发展的瓶颈。”一年前,记者在采访天狮集团全球信息中心总经理阎玉朋时,他对此十分困扰。     

电缆屏蔽线安装方式对集中式配网自动化应用的影响分析及对策研究

近年来,我国经济迅速发展,电力作为支撑经济社会不断发展的重要组成部分,对供电可靠性的要求也随之提高。在与用户直接交互的配网领域,配网自动化作为提高供电可靠性的有效技术手段而备受重视,且在全国各大城市已广泛应用。论述在集中式配网自动化技术应用落地过程中,电缆屏蔽线的安装方式对于该技术实施应用的影响,并提出对策。     

集中式MIMO雷达研究综述

多输入多输出(MIMO)雷达作为一种新体制雷达,利用其发射波形分集的特点,在目标检测、参数估计、射频隐身及抗干扰等诸多方面展现出了突出的性能,经过学者们近20年的深入研究,基于正交波形的MIMO雷达相关理论日臻完善,并在汽车辅助驾驶、安全防卫等领域得到广泛应用。近年来,随着电磁环境感知及知识辅助等概念的引入,基于波形优化的MIMO雷达主动抗干扰、射频隐身、以及探测-通信一体化等技术受到学者们的关注并得到深入研究。该文力图对学者们近20年来围绕MIMO雷达的研究工作进行归纳与综述,内容主要包括:正交波形MIMO雷达原理、目标探测性能分析、典型应用;正交波形MIMO雷达波形设计与特点;基于知识的认知MIMO波形设计与算法;基于MIMO的探测-通信一体化波形设计与算法;MIMO雷达信号处理、数据处理及资源管理。论文最后对MIMO雷达在机载应用中的空时处理(STAP)、MIMO雷达在成像中的信号处理、以及基于时分多波形分集的线性调频毫米波MIMO雷达信号处理等进行了讨论。      

家庭集聚需求侧响应策略分析

在智能用电的背景下,家庭用户可通过参加电力需求响应促进电力系统的安全稳定和经济运行,并获得额外收益,因此,文中提出了一种家庭集聚需求侧响应策略。首先,提出家庭集群化的理念,将居民家庭聚合为社区进行管理,并设计居民侧的响应机制。其次,考虑需求响应时的居民用电习惯与影响因素,构建家庭用电的可响应负荷函数,对家庭的需求侧响应潜力进行量化。在此基础上,设计了兼顾完成度和用户体验的家庭需求响应策略。最后,提出评价响应策略的三个具体指标：任务完成率、用户不适度和经济效益,并用算例验证了所提策略的有效性和经济性。     

机器类通信中集中式与分布式Q学习的资源分配算法研究

针对海量机器类通信（massive machine type communication,mMTC）场景,以最大化系统吞吐量为目标,且在保证部分机器类通信设备（machine type communication device,MTCD）的服务质量（quality of service,QoS）要求前提下,提出两种基于Q学习的资源分配算法：集中式Q学习算法（team-Q）和分布式Q学习算法（dis-Q）。首先基于余弦相似度（cosine similarity,CS）聚类算法,考虑到MTCD地理位置和多级别QoS要求,构造代表MTCD和数据聚合器（data aggregator,DA）的多维向量,根据向量间CS值完成分组。然后分别利用team-Q学习算法和dis-Q学习算法为MTCD分配资源块（resource block,RB）和功率。吞吐量性能上,team-Q 和 dis-Q 算法相较于动态资源分配算法、贪婪算法分别平均提高了 16%、23%;复杂度性能上,dis-Q算法仅为team-Q算法的25%及以下,收敛速度则提高了近40%。