基于自适应低秩稀疏分解的超声缺陷回波检测方法

超声无损探伤在金属材料微小缺陷检测中有着广泛的应用,但采集的回波信号通常受到噪声干扰甚至完全被噪声掩盖,为了辨别被噪声干扰的缺陷反射信号,提出了一种基于自适应低秩矩阵分解的超声缺陷回波检测方法。首先对原信号进行短时傅里叶变换并提取幅度谱和相位谱,引入基于误差重建的背景矩阵秩估计方法,用于估计低秩稀疏分解所需的低秩度参数。然后通过低秩稀疏分解将幅度谱分解为低秩、稀疏和噪声三部分,舍弃噪声部分。最后使用时频掩蔽分离出缺陷信号幅度谱并运用逆短时傅里叶变换获得回波信号。应用本文提出的方法分别对仿真和实测信号进行处理,结果表明本方法在缺陷回波检测方面是有效的。     

基于双迭代聚能量字典学习的数据压缩算法

针对基于稀疏表示（Sparse representation,SR）的数据压缩压缩率低、重构精度低等问题,本文提出一种基于双迭代的聚能量字典学习算法,把高维信号映射到低维特征空间,当低维特征空间保留高维原始信号越多的特征时,高维信号从低维特征空间中恢复出来的精度越高。为了使低维字典保留高维字典更多的主成分,本文提出了一个新的变换,被命名为?变换,能提升高维字典的能量集中性。除此之外,针对高维字典与低维字典的耦合关系,建立了双循环迭代训练,增加字典的能量集中性与字典的表达能力。实验表明,相比于传统算法,本文提出算法字典学习收敛速度提升了3倍以上。此外,该方法可以得到较高的压缩比和更高质量的重构信号。     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。     

一种基于模板和DCT变换的柔性电路板配准方法

针对柔性印刷电路板（FPC）生产检测过程中的效率、精度等要求,提出一种基于模板与离散余弦变换（DCT）描述子的配准方法。首先,为了解决配准的精度问题,由电路板文件工程图解析得到对应图像,为后续处理提供更好的模板图,再利用离散余弦描述子的频域能量聚集特点,在模板与被检测图像之间建立对应关系,从而计算出对齐参数。其次,使用mipmap技术处理模板,为配准阶段提供不同精度的模板图片,从而有助于精度及效率的提升。实验结果表明：该改进算法的最大误差和平均误差均比原方法小;对于电路板这种大分辨率的图像,在mipmap采样的模板条件下,可以获得较高的精度,且处理速度有较大的提升。     

α、β低本底测量仪测量影响因素建模与仿真设计

为确保仅、β低本底测量仪测量的可靠性,对其影响因素进行了分析建模,并设计了仿真软件进行计算,所得数据与实验验证结果有很好的一致性.结果 表明影响α、β低本底测量仪测量可靠性最主要因素有仪器探测效率和样品测量,需提高样品测量过程中的精确度,减少制作质量-效率曲线时人为的操作误差.仿真软件可用于实验室α、β低本底测量仪测量及可靠性评估,能够提高测量的时效.     

基于备选投票机制的低时延PBFT改进研究

针对实用拜占庭容错算法PBFT共识时延高、视图切换效率低、动态性不足等问题,提出一种基于备选投票机制的低时延共识算法IPBFT。通过增设候补集合,使系统的共识节点能够支持动态增加和减少,同时优化视图切换协议,使算法能够在只有两个阶段的情况下完成共识过程,降低系统的通信开销。在此基础上,将算法的主节点选取方式改进为投票选举机制,在节点进行共识的过程中实现主节点的选举,从而减少视图切换所需的通信次数和时延。实验结果表明,IPBFT算法较原始PBET算法具有更低的共识时延和更高的吞吐量,并且能够较好地支持节点动态的加入或退出。     

RDMA技术在数据中心中的应用研究

随着云计算向数据化智能化的方向演进,数据的流转与有效利用将为业务带来核心价值。大规模深度学习、机器训练等应用是极其依赖算力的,大量的信息交互对网络提出了很高的要求,由此需要一个低时延、无丢包、高吞吐的算力网络。考察RDMA[1]技术在数据中心中的应用,并分析其对于未来云数据中心高性能集群计算的影响。     

云数据中心基于温度感知的虚拟机迁移模型

提出云数据中心基于温度感知的虚拟机迁移模型TA-VMM.TA-VMM迁移时着重考虑物理主机处理器的温度情况和物理主机负载均衡情况.在物理主机状态检测阶段寻找出候选迁移主机MigrationFromHosts;在虚拟机选择阶段寻找出候选迁移虚拟机列表VmstoMigrateList;在最后的虚拟机放置阶段完成候选迁移虚拟机的重新放置.CloudSim云计算模拟器仿真结果表明,TA-VMM中温度阈值对云数据中心的性能影响十分重要,TA-VMM比其他虚拟机迁移模型具有更低的能量消耗.     

有限产能下多部件设备视情维修策略与多订单批量生产联合优化研究

针对有限产能下,面对多个不同要求订单时的订单选取和多部件设备维护决策问题,提出了基于客户满意度的多部件设备视情维修策略和多订单批量生产的联合优化模型。首先,基于比例风险模型描述出各部件的具体劣化趋势,并以虚拟年龄表示各部件的健康状态;其次,根据单次批量生产结束后的实时监测结果和维修阈值,确定不同的维修方式;再次,以利润最大化为优化目标,结合有限产能批量问题模型和客户满意度模型,建立视情维修策略和多订单批量生产联合优化模型;最后,利用模拟退火算法和粒子群算法就行模型求解,并通过算例验证了模型的有效性,使模型更具有现实意义,并对模型相应参数进行了灵敏度分析。     

大规模短时间任务的低延迟集群调度框架

大规模数据分析环境中,经常存在一些持续时间较短、并行度较大的任务。如何调度这些低延迟要求的并发作业是目前研究的一个热点。现有的一些集群资源管理框架中,集中式调度器由于主节点的瓶颈无法达到低延迟的要求,而一些分布式调度器虽然达成了低延迟的任务调度,但在最优资源分配以及资源分配冲突方面存在一定的不足。从大规模实时作业的需求出发,设计和实现了一个分布式的集群资源调度框架,以满足大规模数据处理的低延迟要求。首先提出了两阶段调度框架以及优化后的两阶段多路调度框架;然后针对两阶段多路调度过程中存在的一些资源冲突问题,提出了基于负载平衡的任务转移机制,从而解决了各个计算节点的负载不平衡问题;最后使用实际负载以及一个模拟调度器对大规模集群中的任务调度框架进行了模拟和验证。对于实际负载,所提框架的调度延迟控制在理想调度的12%以内;在模拟环境下,该框架与集中式调度器相比在短时间任务的延迟上能够减少40%以上。