重介洗煤密度自控系统研究

目的：本文介绍了PLC在洗煤厂的介质密度控制中的应用,针对介质密度变化规律性不强,大滞后等特点作出调整。方法：采用VB编程语言结合专家算法的方针,提出了一个解决方案,提高了控制密度精度。结果：使物料浓度配比更加合理,趋势变化更容易让现场人员接受。结论：提高了产煤精度及生产效率,节约了能源的同时为洗煤厂创造更大的经济回报。     

改进的APRIORI算法在试卷系统数据挖掘中的应用

本文通过对数据挖掘技术的研究,采用关联规则法对学生答题数据进行分析,并在关联规则使用中采用改进型的Apriori算法进行运算,构建高频集,并对于高分学生和低分学生的试卷进行了加权处理,使得高频集中的试题在知识点和难度上的关联更加突出,便于在自动组卷时更科学地评价试卷.     

标准模型下群签名的批验证协议*

首次对标准模型下群签名的批验证协议进行了研究。利用小指数测试技术和双线性对映射的特殊性质,为目前效率较高的两个群签名方案按照多人签署相同消息和不同消息这两种情况,分别设计了相应的批验证协议。相较于单独验证,认证效率大大提高。     

一种高效的网格资源监测算法ACTC的改进算法

资源监控是网格计算的关键组成部分。资源监控算法既要保证网格系统中资源信息高保真度又要考虑资源信息在网络传输中的负担最低。ACTC算法就是为实现以上目的而被提出,但是算法中对资源信息更新量的动态门槛值(d_threshold)计算方式不合理,有可能导致算法演变成低级的单纯依靠时间敏感机制(TSM)来发送资源更新通知,并且算法中遗漏了一些极端情况的考虑。提出了新的d_threshold计算公式和限制条件,进行性能改进和完善,并对改进前后两算法进行实验对比。实验表明,改进后算法提高了资源信息准确性,并使监控系统     

考试综合管理信息系统的关键技术研究

基于.NET技术成功开发了考试综合管理信息系统,针对考试管理工作面临的问题,提出了相应的解决方案,并以此为依据介绍了该系统开发过程中的自动编排算法、安全策略等关键技术。该系统已成功运用,并解决了高校日益复杂的考务管理工作。     

稳定路径的Ad hoc网络QoS路由算法

移动Ad hoc网络中节点移动或能量耗尽会使得建立的QoS路径断裂而需重构路由,造成通信中断,对实时业务造成严重影响,提出了一种基于路径稳定性的QoS路由算法.该算法采用网络探测技术,综合考虑链路和节点稳定性,选择一条最稳定的路径进行通信,并实时监测路径状态变化,有效降低通信中断的概率.仿真表明,该算法有效改善了分组传送成功率、时延抖动等网络性能.     

双向搜索多约束路由启发式计算方法

为提高大型通信网络中搜索满足多约束条件路由的速度,提出一种双向搜索路由的计算方法.首先从源和目的节点同时出发,计算到达各中间节点的可达路径.然后在各可达路径中进行路径的筛选.可达路径是采用邻接矩阵变换方式获得的,筛选路径是根据非线性开销函数,采用启发方式择优选取.当两方向搜索的节点数累计达到n-2后,对接合并两方向到达中间节点的路径,从中再选择最佳路径作为路由输出.通过算例详细介绍了可达路径计算及启发式选优方法.阐述了算法的正确性及特点,分析了最大时间杂性.通过仿真实验评估,不仅更进一步验证了新算法的正确性,而且表明新算法在搜索路由速度上要优于其他算法.     

基于Morlet小波变换和改进遗传算法的动态识别

如何合理地识别大型复杂结构的动力参数一直是工程领域关心的问题.为此,以Morlet小波变换和采用单亲遗传算子的改进遗传算法为基础,构造一结构动态参数识别模型.并且以C++为平台,通过计算机内部命令调用ANSYS等软件,实现识别模型的程序化.通过模拟算例计算,计算结果与理论值一致.同时,结合一水电站厂房现场振动试验,对该大型结构进行动态参数识别,识别结果与工程经验值基本吻合.     

求解背包问题的病毒协同进化粒子群算法

为提高粒子群算法的搜索性能,提出一种基于病毒进化理论的改进离散粒子群算法:病毒协同进化粒子群算法.在粒子群中引入生物病毒机制和宿主与病毒基于感染操作的思想,病毒采用与粒子等长的编码方式,执行反向代换、结合等操作,利用病毒的水平感染和垂直传播能力较好地维持个体的多样性和对解空间的局部搜索能力.通过解决背包问题对算法进行验证,仿真表明所提算法搜索性能优于遗传算法、模拟退火及标准粒子群等其他算法.该算法能有效求解背包问题等NP难题.     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.