基于完全图的多支持度阈值关联规则挖掘算法

提出了基于完全图的最大约束条件下多支持度闻值关联规则挖掘改进算法。该算法利用完全图与频繁项集之间的关系，以完全图结点的度作为判断标准，使得寻找单个候选项集Ck（k≥3）的复杂度降低了。在由候选集得到频繁集的过程中，该算法避免了对事务数据库的扫描，从而减小了系统的I/O开销。因此，该算法减小了存储空间，加快了挖掘速度，提高了算法的效率。     

一种支持宏分集策略的软分数频率复用方法

在3GPP2 AIE的框架标准中同时要求采用频率复用和宏分集，但是现有的频率复用方法是无法支持宏分集策略的．鉴于此，在软分数频率复用方法的基础上，基于可拓集合思想，通过建立可用频段与研究区域之间的物元模型，得到了一种能够在小区边缘支持宏分集的软分数频率复用方法．研究表明该频率复用方法在有效降低小区干扰的同时提高了频率利用率，同时小区边缘用户由于小区间干扰的协调以及宏分集策略带来的增益，性能得到了较大提高．仿真结果表明该方法有效地提高了小区边缘的平均容量。     

多场景MPLS标签交换实现方法

MPLS标签交换是目前IP通信网络中使用广泛的一项技术,其固定的标签格式虽然大大加速了转发引擎交换速度,承载了一定的QoS信息,但其针对特殊领域、特殊用途的标准制定、实现途径却无能为力,在一定程度上制约了其更加广泛且有效的应用。从标准MPLS标签头的角度出发,分析了当前MPLS交换体制的不足,借鉴IPV6的思想,提出一种通过扩展标签头格式和转发表的方法,解决提出的MPLS扩展性问题。     

座圈晃动对火炮高低机仿真结果的影响研究

在传统的火炮设计及仿真过程中,通常假设部件之间为理想约束,认为座圈等结合部的轻微晃动对整体结构的影响很小,可以忽略。但采用这种方式对某大口径火炮的高低机进行动力学仿真时,发现仿真结果与射击测试结果完全不符。为研究问题原因,改进仿真方法,提高仿真对设计的指导意义,通过分析高速摄像拍摄到的火炮射击过程,依次考虑炮塔变形和座圈晃动的影响,在RecurDyn中进行动力学计算,将炮塔作为FFlex柔性体;再使用ABAQUS计算座圈的变形及晃动情况,并根据该计算结果,在RecurDyn中用弹簧阻尼单元模拟座圈的晃动。计算结果表明,将炮塔考虑为柔性体后,仿真结果仍不与测试结果相符,但考虑座圈的晃动之后,仿真结果与测试结果能够较好吻合,误差可控制在15%以内。根据该仿真结果,对火炮进行改进,射击过程中闭锁平衡机的油腔可有效提高火炮的射击稳定性。     

向量开关模型的数字预失真改进方法

射频功率放大器的向量开关数字预失真模型存在因所在区域样本点不足而引起的不连续问题。提出一种基于向量开关模型的数字预失真改进方法,该方法通过加入区域权重的约束条件以及交叠的区域划分方法对向量开关模型进行优化,达到消除向量开关模型不连续问题,提高模型的稳定性。仿真实验中采用30MHz的LTE信号进行实验,当原方法出现不连续时新方法可消除间断点,同时在邻道泄漏比(ACLR)指标上有近6dB改善,结果表明其具有更好的鲁棒性。     

一种新的三维纯角度无偏定位跟踪算法

三维空间中多站纯角度无源定位跟踪实质上是一个非线性状态估计问题。经典的扩展卡尔曼滤波(EKF)算法等递推类算法性能不稳定,而将非线性观测方程转化为伪线性方程会产生有偏估计。为了实现快速稳定无偏定位跟踪,提出了一种新的双站纯角度快速渐进无偏定位跟踪算法。该算法通过对未知状态变量含二次约束的伪线性方程进行约束最小二乘(CLS)极小化处理,最终只需要对一对矩阵束进行广义特征分解即可获得目标状态估计值。仿真结果表明,该算法与EKF算法及最小二乘(LS)算法相比,定位性能更稳定,精度更高,在测量误差较大或者两个观测站测量误差不一致时优势更明显。     

一种基于道路约束的变结构多模型跟踪算法

有效使用道路信息能显著提高地面运动目标跟踪性能。针对复杂道路网运动目标跟踪,给出了一种道路约束下的滤波和建模方法。首先描述了道路网的数学模型和道路约束条件下的过程噪声修正方法,根据道路约束最大后验概率估计准则给出了一种路段切换时状态和协方差修正公式;接着提出一种根据目标当前所处路段自适应滤波模型生成的变结构多模型(VSMM)方法,有效减小道路运动目标的模型动态误差,提高跟踪性能。仿真结果证明了该算法的优越性能。     

光电设备机箱模块锁体的优化仿真

根据光电设备机箱模块锁体的载荷和约束条件要求,按照锁体最小质量原则和实际使用工况,对锁体的相关参数进行优化仿真,通过UG NX7.0有限元软件对锁体给出相关参数设置,软件多次对质量和草图驱动尺寸进行迭代计算,计算结果趋于收敛,得出锁体在满足强度和刚度的条件下质量最小,经分析计算和试验验证,满足了设备减重要求,为整机其他零件进行优化设计提供了参考。     

Sparsity induced convex nonnegative matrix factorization algorithm with manifold regularization

To address problems that the effectiveness of feature learned from real noisy data by classical nonnegative matrix factorization method,a novel sparsity induced manifold regularized convex nonnegative matrix factorization algorithm (SGCNMF) was proposed.Based on manifold regularization,the L_2,1norm was introduced to the basis matrix of low dimensional subspace as sparse constraint.The multiplicative update rules were given and the convergence of the algorithm was analyzed.Clustering experiment was designed to verify the effectiveness of learned features within various of noisy environments.The empirical study based on K-means clustering shows that the sparse constraint reduces the representation of noisy features and the new method is better than the 8 similar algorithms with stronger robustness to a variable extent.