基于人工势场方法的WSN传感覆盖率提高算法

感覆盖率是WSN系统中重要的性能指标之一。Sink节点的移动性能提高系统的传感覆盖率,人工势场能描述普通节点与Sink节点之间的关系。提出了一种利用人工势场方法有效的Sink节点移动控制策略,通过Sink节点的移动能够提高系统的传感覆盖率。普通节点搜集的数据能通过多跳的方式传送给Sink节点。在最初的随机部署之后,由人工势场产生的力迫使移动Sink节点移动到整个环境中的平衡点以获得更高的传感覆盖率。在整个算法执行过程中无需事先了解环境的情况,此方法能在实时的环境中采用。给出了具体的算法步骤,最后利用一个仿真实例对控制效果进行了说明。     

一种新的有向传感器网络覆盖增强算法

针对现有有向传感器网络覆盖增强方法算法较复杂及覆盖率不够高等问题,提出了一种新的有向传感器网络覆盖增强算法。每次取一重覆盖区域面积最大的传感器节点及其传感方向,使得整个网络的一重覆盖区域较多,重叠区较少,可提高网络的覆盖率;同时考虑了冗余节点休眠的情况,当网络中有节点失效时,将其周围的休眠节点激活,并重新部署失效节点周围的节点,以此保证网络有较长的寿命和较好的覆盖效果。对比实验表明,与现有算法相比,本算法原理简单,且在相同节点数目和传感半径情况下,覆盖率分别提高了20%和15%左右。     

无线传感网络覆盖中概率Voronoi模型及算法研究

覆盖是无线传感网络中最重要的问题之一,随机覆盖是目前研究的主流。基于Voronoi图的随机覆盖算法是无线传感网络领域的研究热点。目前研究中采用的Voronoi图,主要采用基于距离的Voronoi边赋权值模型,存在两个主要问题,即模型粗糙和监测节点不全。以实测的分段概率传感模型为基础,从多传感协同监测的角度构造一种概率Voronoi模型,试图解决以上问题。并且用基于概率Voronoi模型的最大突破路径算法验证了模型有效性。就掌握的文献来看,该模型是首次提出,具有较好的实用推广价值。     

近20年塔里木河干流生态环境变化遥感监测分析

针对塔里木河流域综合治理后生态环境的变化状况及植被的恢复状况等热点问题,基于遥感时空变化分析方法从土地利用、地表水体和植被覆盖度的时空变化方面分析了近20年来塔里木河干流生态环境的变化状况。结果表明:(1)塔里木河干流土地利用受到人类活动的影响显著,自2000年以来,塔里木河干流耕地面积增加显著,净增2 229 km~2,草地面积整体下降,萎缩3 157 km~2;(2)综合治理以来,下游河段2009—2018时段水体出现频率明显高于2000—2008时段,水体出现频率提高约15%;(3)2000年以来,塔里木河流域的植被覆盖度持续增加,特别是下游河段植被覆盖度增加明显,覆盖度增加18%。但中、上游流域的植被覆盖度的增加趋势主要贡献来源于耕地,中上游地区耕地的增加仍会对塔里木河流域的生态保护和恢复造成一定的影响。     

轻骨料混凝土抗碳化性能及微结构分析

为了探究轻骨料混凝土抗碳化性能及微结构,采用绝对体积法配制全轻骨料混凝土(ALWAC)和次轻骨料混凝土(SLWAC),并与普通混凝土(NC)比对,测试混凝土在各龄期下的碳化深度,通过MIP压汞测试对比研究NC和ALWAC碳化前后微细观孔结构变化。结果表明:轻骨料混凝土特有的内养护效果,轻骨料周围水泥石日趋密实,因而ALWAC和SLWAC较NC抗碳化性能优,且随碳化时间增长碳化速率显著降低;微结构分析表明经历28 d快速碳化试验后,NC和ALWAC孔隙率分别由14.36%、30.33%下降至13.53%、28.70%,定量说明了碳元素入侵造成大量孔隙被填充细化,与水泥水化产物反应生成CaCO₃,孔径减小,密实度增加。最后给出了基于陶粒掺量的轻骨料混凝土碳化深度预测模型。研究成果可为轻骨料混凝土耐久性预测提供参考。     

基于MODIS数据的浙江省植被覆盖度时空变化分析

以浙江省为研究区,基于2009—2018年MODIS_NDVI数据,采用MVC最大值合成法获取逐月NDVI值,利用改进的像元二分模型估算2009—2018年植被覆盖度,结合DEM数据及《浙江省林地保护利用规划》(2010—2020年)中的林地分区,分析浙江省植被覆盖度的时空变化情况。结果表明:①2009—2018年浙江省植被覆盖度总体处于高盖度级别,存在缓慢降低的趋势。②2009年和2018年的植被覆盖度空间格局基本一致,即浙南山地区、浙西山地丘陵区>浙中丘陵盆地区、浙东沿海丘陵海岛区>浙北平原区;植被覆盖度变化以稳定为主,占总面积的62.79%,退化区域面积大于改善区域面积,退化趋势以浙北平原区最为严重,占总面积的6.73%,改善趋势以浙南山地区最为明显,占总面积的4.87%。③各地形因子范围内的植被覆盖度变化均相对稳定;不同高程范围内,明显退化区域在高程100 m以下,明显改善区域在高程200 m以上;不同坡度范围内,退化最明显区域为坡度[0°,5°)范围,明显改善区域为坡度15°以上;不同坡向间,植被变化的差异并不明显。研究成果可为该地区的生态环境建设和水土流失防治提供理论依据。     

基于级差最大化组合赋权法的地下水功能评价

针对地下水功能评价中单独采用主观赋权法或客观赋权法存在的问题,结合二者的优点,采用基于主观赋权的层次分析法与客观赋权的熵权法相结合的级差最大化组合赋权法评价地下水功能,并通过计算不同赋权方法权重结果与平均值的相对偏差来衡量级差最大化组合赋权法的准确性。将该方法应用于伊犁河谷西北部平原区浅层地下水功能评价,评价结果基本符合评价区实际情况,验证了该评价方法在地下水功能评价中的可行性。     

基于白化权函数聚类法的航电系统效能评估

航空电子综合系统是作战飞机的神经中枢,准确评估航电系统的效能对我国航空电子技术的发展具有重要意义。为了用灰色白化权函数聚类法对基于1553B总线的航电系统进行效能评估。首先将1553B总线负载、延迟时间、总线使用效率三项指标分为优、良、中、差四个灰类,综合各指标的白化权函数和其隶属于不同灰类的权重得到航电系统聚类系数向量,然后由该向量中的最大聚类系数所属灰类来确定该航电系统的灰类等级。灰色白化权函数聚类方法为航电系统的设计和效能评估提供了重要方法和理论依据。     

栅栏覆盖最大化生存周期调度算法

栅栏覆盖是近年来无线传感器网络的研究热点之一,如何延长生存周期是无线传感器网络研究的一个重要问题。针对无线传感器网络的栅栏覆盖应用,设计了两种最大化网络生存周期的调度算法:集中式的Greedy调度算法和分布式的DBCS调度算法。仿真实验表明:两种算法显著地延长了网络的生存周期;在较稀疏的网络中,DBCS算法与Greedy算法性能接近,分布式的DBCS算法适合应用于大规模传感器网络。     

Adaptive simulated annealing particle swarm optimization algorithm

Particle swarm optimization is widely used in various fields because of the few parameters to be set and the simple calculation structure.In order to improve the optimization speed and accuracy of the PSO,and to avoid falling into the local optimal solution,an adaptive simulated annealing PSO is proposed,which uses the hyperbolic tangent function to control the inertia weight factor for nonlinear adaptive changes,uses linear change strategies to control 2 learning factors,introduces the simulation annealing operation,set a temperature according to the initial state of the population,guide the population to accept the difference solution with a certain probability according to the Metropolis criterion,and ensure the ability to jump out of the local optimal solution.To verify the effect of the algorithm proposed in this paper,7 typical test functions and 5 algorithms proposed in the literature are selected for comparison and testing.According to the average value,standard deviation and number of iterations of the optimization results,the algorithm proposed in this paper has greatly improved the iteration accuracy,convergence speed and stability so as to overcome the shortcomings of particle swarm optimization.