一种基于P2P分层结构的网格资源发现模型

网格资源发现是网格研究中的重要组成部分,随着P2P网络的兴起,许多新的概念和研究方向为网格研究提供了思路.该文在分析了现有网格资源查找方式不足的基础上,提出了一种基于P2P分层结构的网格资源发现模型.模型针对网格资源的特点引入了本体和语义相关度概念,在此基础上将网格资源进行分层管理,并借鉴了iVCE体系结构,提出了本体共同体的概念从而较好解决了虚拟组织内节点的动态自组织问题,较好实现了网格资源的聚合以及动态增减问题.     

基于滑模控制的主动队列管理算法

针对TCP模型的非线性本质以及网络中存在的不确定性因素如TCP连接数、回路时延、链路带宽,提出了基于滑模控制(SMC)的主动队列管理(AQM)算法,该算法对不确定性具有很强的鲁棒性,而对滑模控制中普遍存在的抖振现象,采用了指数趋近律方法,并对状态轨线接近切换面时的控制信号进行柔化以削弱由于控制切换而引起的抖动.所提出的基于SMC的AQM算法可以使队列快速收敛到期望队列长度及保证输入受限TCP非线性闭环系统渐近稳定.仿真结果表明该算法有效.     

攻击型无人机鲁棒导引律研究

文章研究了攻击型无人机鲁棒导引系统,采用对干扰和摄动具有自适应能力的滑动模态变结构控制方法设计了攻击型无人机滑模导引规律.针对用于消除颤振的伪滑动模态不能实现精确跟踪的缺陷,对滑模导引规律中颤振消除进行了优化设计,引入系统运动状态轨迹接近角变量,使消除颤振的伪滑动模态边界层宽度随着系统状态到达滑动模态而逐渐减小为零,从而达到了既能消除颤振又能实现精确跟踪的设计目标.通过仿真验证了该导引规律具有攻击弹道平缓、抗目标机动扰动能力强、鲁棒性好、制导精度高的优点.     

音乐检索新方法的研究与实现

基于哼唱/歌唱音乐检索的系统架构,提出一系列的实现新方法,包括采用改进的YIN算法提取基音序列,提出一种新颖的"小阁"基音后处理方法和旋律轮廓标记、匹配方法,定义了一种相似度衡量体系实现检索。经过原型系统开发和实验分析,结果表明这种新的处理流程实现了对传统基于内容音乐检索方法的改进。     

音乐检索新方法的研究与实现

为获得更高的检索准确度,在主流检索系统架构的基础上,提出对音频信号处理流程的改进,包括采用改进的YIN算法提取基音序列;提出一种新颖的"小阁"基音后处理方法,实现对基音序列的规整化操作;设计了一种旋律轮廓的标记办法和模糊匹配方法,并定义了一种相似度的衡量体系,最后完成音乐检索原型系统的开发实验结果表明,新的处理流程对于检索准确度的支持好于自相关函数、中值滤波和编辑距离匹配算法,实现了对传统基于内容音乐检索方法的改进.     

基于未知度的Vague集相似度量新方法

分析了现有的相似度量方法,指出影响Vague集相似度量的因素和衡量Vague集相似程度的必要参数,为研究Vague集相似度量提供了参考,提出了一种新的Vague集相似度量的方法,通过实验结果表明,新的方法区分能力高,而且有更好的度量效果.     

永磁同步电机混合非线性控制策略

永磁同步电机是一个非线性多变量强耦合系统,采用传统的线性控制方法难以在大范围运行中保持良好的动态性能和鲁棒性.针对永磁同步电机的特点,提出一种结合滑模控制和自抗扰控制的混合非线性控制策略,用于永磁同步电机矢量控制系统设计.根据指数趋近律算法设计滑模控制器,用于内环的电流控制.外环的速度采用自抗扰控制,速度控制器对负载扰动进行估计和补偿.仿真结果表明,提出的控制系统不仅具有良好的动态和静态性能,而且对负载及系统参数扰动具有较强的鲁棒性.     

基于趋势点状态模型的时间序列预测算法

针对传统的时间序列线性预测算法对时间序列的线性程度要求高,而非线性方法一般建模复杂且计算量大,提出了一种基于趋势点状态模型的时间序列预测算法.该算法无须考虑时间序列是否具有显著线性特征,通过序列间耦合度挖掘时间序列上的相似子序列,找出相对应的相似序列趋势点,建立趋势点状态模型并求出预测值.算法建模简单,复杂度较低.通过模拟实验,结果表明该算法性能良好,尤其对具有周期性的时间序列预测精度很高.     

一种基于AST的代码抄袭检测方法*

针对目前代码抄袭检测方面的研究大多是基于程序源码层面进行相似度比较,不需要对代码进行语法分析,由于忽略程序语法语义,对稍加结构修改的抄袭行为无法有效检测的现状,提出一种基于AST的代码抄袭检测方法.先将代码进行格式化预处理,再进行词法分析、语法分析,得到对应的AST;然后遍历AST生成代码序列,对代码序列进行相似度计算,从而得到代码的抄袭检测报告.实验结果表明,该方法能够有效检测出C程序代码的抄袭行为,并对C++、Java等多种程序代码的抄袭检测具有一定的通用性和可扩展性.     

一种基于Normal矩阵的时间序列聚类方法*

提出了一种基于Normal矩阵的时间序列聚类方法。该算法首先对时间序列数据进行向量形式转换,计算出各个时间序列间的相似度并构建复杂网络,然后利用基于Normal矩阵的方法进行复杂网络社团划分,同一类的时间序列被划分到一个社团,即实现对时间序列数据的聚类。为了验证该方法的可行性和有效性,将其应用于股票时间序列数据聚类分析中,并在两个实际的数据集上与其他方法相比较,取得了较好的实验结果。