基于矢量传感器的空中脱靶量测量方法研究

针对现有声学空中脱靶量测量方法,无法实现三维定位的现状,提出引入矢量传感器技术的新思路。设计了一种基于矢量声学传感器的布阵方案,采用声压、振速互谱实现了目标的到达方向﹙DOA﹚估计,并利用概率法实现了多基阵的目标三维定位。通过仿真实验表明:该方法可以解决声学脱靶量测量空间定位技术难题,定位精度满足要求。     

有预算和截止期约束的网格作业调度算法

在商业网格计算环境中,作业有预算和截止期限制。如何向消费者提供有质量保障的服务,同时考虑服务提供者的利益,是一个关键问题。现有的作业调度算法只从消费者的角度出发对作业完成的时间和成本进行优化。同时从消费者和服务者的角度,利用作业的属性定义了作业的价值密度,在此基础上提出了高价值密度优先的网格作业调度算法HVDF。仿真结果表明,HVDF算法在实现价值率和按时完成作业数两个性能指标上优于现有算法。     

基于k均值分区的流数据高效密度聚类算法

数据流聚类是数据流挖掘研究的一个重要内容,已有的数据流聚类算法大多采用k中心点(均值)方法对数据进行聚类,不能对数据分布不规则以及高维空间数据流进行有效聚类.论文提出一种基于k均值分区的流数据密度聚类算法,先对数据流进行分区做k均值聚类生成中间聚类结果(均值参考点集),随后对这些均值参考点进行密度聚类,理论分析和实验结果表明算法可以有效解决数据分布不规则以及高维空间数据流聚类问题,算法是有效可行的.     

室内环境下指数分布非对称几何统计信道模型

室内微环境下复杂的物理环境具有不规则性,造成实际无线信道参数和理想环境下的参数值有较大差别。为此,提出一种基于散射体呈指数分布的、非对称室内传输环境的统计信道模型。推导小尺度衰落多径效应造成的角度、时间等相关无线信道参数。求解信号的TOA/AOA联合概率密度函数,以及无线信号到达角度的概率密度函数。仿真结果表明,与散射体均匀分布及对称模型相比,该模型所推导的相关无线信道参数更适用于实际信道环境。     

NO在(Fe_2O_3)_n(2≤n≤6)团簇上吸附的密度泛函理论研究

运用广义梯度密度泛函理论(GGA)的Pcrdew-Burke-Emrnerh(PBE)方法结合团簇模型,在双数值极化函数基组DNP下,研究了(Fe_2O_3)_n(2≤n≤6)团簇的性质和NO在其上的吸附。对于(Fe_2O_3)_n团簇通过对几何构型和性质的计算发现;(Fe_2O_3)_n团簇都具有很高的稳定性并且它们的结构和成键性质都和体材料Fe_2O_3有很大的不同;NO主要以N端吸附在Fe_2O_3团簇Fe-top位。NO在(Fe_2O_3)_n团簇上吸附为化学吸附,对应于n从2~6,吸附能分别为1.792、1.976、2.799、2.963和2.536 eV。Mulliken布局分析结合NO吸附前后的态密度分析表明:吸附前后电子由NO向(Fe_2O_3)_n团簇转移,吸附时NO的5口轨道趋向于转移电子给Fd~(3+)的d轨道,使Fe位形成d~(10)稳定电子构型,同时Fe反馈电子给NO的知反键轨道,总体上为NO失去电子。     

基于密度和层次的快速聚类算法在数据挖掘中的设计及实现

本论文在对各种算法深入分析的基础上,尤其在对基于密度的聚类算法he基于层次的聚类算法深入研究的基础上,提出了一种全新的基于密度和层次的快速聚类算法。该算法保持了基于密度聚类算法发现任意形状簇的优点,而且具有近似线性的时间复杂性,因此该算法适合对大规模数据的挖掘。理论分析和实验结果也证明了基于密度和层次的聚类算法具有处理任意形状簇的聚类、对噪音数据不敏感的特点,并且其执行效率明显高于传统的DBSCAN算法。     

基于对象模糊密度赋值的决策层融合算法

针对模糊积分在进行决策层融合识别时,其模糊密度是根据已知类别样本的先验静态信息赋值的,并不能根据具体对象的识别结果进行动态调整使之更接近现实的情形,提出了一种基于对象模糊密度赋值的决策层融合算法。该算法利用各分类器识别具体对象时给出的客观信息计算出其所属类别的区分度,再结合先验静态信息对模糊密度进行动态赋值。将该算法应用于人脸表情识别,实验结果表明,获得了较好的融合效果,提高了表情识别的准确率。     

元胞自动机交通流模型中的车辆更新方式研究

基于TASEP(Totally Asymmetric Simple Exclusion Process)模型,使用蒙特卡洛方法模拟开放边界条件下不同车辆更新方式对稳态时车辆特性及相变行为的影响,得到不同注入概率α和输出概率β条件下的交通流基本图。结果表明,不同更新方式对系统的稳态特性及相变行为有较大影响,流量和密度随α和β的不同而变化,模拟结果与解析解吻合。随机更新方式下道路车流量的大小由输出概率决定,当输出概率达到一定值时,它的增大无法提高道路上的车流量;顺序更新方式的优点是仅当输入和输出概率都相等时,系统保持畅行相;而局部并行更新方式下得出的相图则与顺序和全局并行更新这两种方式下得到的相图类似且可以更好地反映交通流现实。     

基于Nystr(o)m密度值逼近的减法聚类

针对大规模数据集减法聚类时间复杂度高的问题,提出一种基于Nyst(o)m密度值逼近的减法聚类方法.特别适用于大规模数据集的减法聚类问题,可极大程度降低减法聚类的时间复杂度.基于Nystr(o)m逼近理论,结合经典减法聚类样本密度值计算的特点,巧妙地将Nystr(o)m理论用于减法聚类未采样样本之间密度权值矩阵的逼近,从而实现了对所有样本的密度值逼近,最后沿用经典减法聚类修正样本密度值的方法,实现整个减法聚类过程.将本文算法在人工数据、标准彩色图像及UCI数据集上进行了实验,详细说明了本文算法利用少数采样样本逼近多数未采样样本密度权值、密度值以及进行减法聚类的详细过程,并给出了聚类准确率、耗时及算法性能加速比.实验结果表明,与经典的减法聚类相比,本文算法在不影响聚类结果的情况下,对于较大规模数据集,可显著降低减法聚类的时间复杂度,极大程度地提高减法聚类的实时性能.     

基于改进的简化粒子群聚类算法

针对粒子群算法后期收敛速度慢、易陷入局部极值的缺点,提出一种基于粒密度和最大距离积法的简 化粒子群聚类算法.通过采用线性递减与随机分布相结合的惯性权重策略、添加极值扰动算子、优化粒子个体最优位置,使粒子群算法能够快速收敛于全局最优.再把改进后的粒子群算法与K-means算法相结合,解决K-means算法因随机初始聚类中心而导致聚类效果差、不稳定等问题.通过实验分析,该算法的聚类结果准确率更高、收敛速度更快、稳定性更强.