基于PTP的加权时钟同步算法

时钟同步在计算机网络领域中应用广泛,是实现许多网络功能的重要基础。软件定义网络(SDN)作为一种新兴的网络架构,其中的确定性时延、同步传输、网络虚拟化等研究都依赖于网络协议进行软件时钟同步。研究如何通过软件方式提升时钟同步精度在SDN系统中有着重要的意义。本文对现有的PTP的时钟同步方式进行了介绍与分析,在此基础上提出了一种改进的时钟加权算法,通过利用网络中上一层多个节点的时钟信息来提升多跳同步的时钟精度。在对典型网络的仿真测试中,每个节点时钟同步精度的提升幅度从1倍到2.6倍不等。网络中的链路越多,算法提升效果越明显。     

陕西引汉济渭工程的多目标调度方案风险评价

陕西引汉济渭工程是解决陕西省关中、陕北缺水的跨流域调水工程,为了工程效益切实发挥,有必要对水库群调度方案进行风险评价。针对黄金峡水库优先供水和三河口水库优先供水的2种调度模式下的方案,从调度的目标出发建立了引汉济渭调水工程多目标调度风险评价指标体系,用层次分析法对各指标的权重进行赋值,采用逼近理想解的排序法得到了各调度方案的风险值,为最终决策提供技术支撑。对2种优先供水模式下的调度方案分别进行评价,供水风险不足指标是方案综合风险的最主要影响因素;黄金峡水库优先供水的模式一的2个方案比三河口水库优先供水的模式二的2个方案综合风险率小且供水恢复性好。推荐模式二下的2个方案。     

遮挡情况下水尺图像特征加权学习识别算法

考虑实际应用中水尺图像受遮挡较多,自动识别水位困难的问题,提出了一种遮挡情况下的水尺图像特征加权学习识别算法。针对现有稀疏表示算法通常对图像整体进行操作如字典训练等,致使图像中的特征信息无法突出的情况,提出在稀疏表示过程中对回归系数设置不同权值并在迭代过程中对权值更新学习。首先通过对特征权值的迭代学习以增加有效信息的权重,排除遮挡信息的干扰;其次,通过对图像分类残余值进行不同模型下的回归表示,提出采用更能表现出残余值重尾分布实际情况的逻辑分布模型。实验过程采用实际水尺图像,先通过边缘检测等预处理方式得到当前水位的刻度图像,进一步对该图像附加遮挡进行分类识别以验证实验结果,所附加遮挡用以模拟水尺刻度被水面遮挡等情况。实验结果表明,与常用的稀疏回归表示算法相比,该算法在多遮挡情况下的性能较优。图10幅。     

不确定环境下考虑群体冲突与指标关联的应急群决策EI北大核心CSCD

针对不确定环境下的应急群决策问题,提出一种新的基于语义信息的考虑群体冲突与指标关联的应急群决策模型。利用自由语义信息与可能性分布—犹豫模糊语言集刻画并处理不确定信息;提出一种基于可能性分布—犹豫模糊语言集的群体意见冲突检测与调整算法,降低了专家群体的意见冲突水平;提出一种新的基于决策试验和评价实验室与网络层次分析方法的指标关联权重确定方法;考虑决策专家的风险偏好,提出一种基于前景理论的逼近理想解排序算法。以某高铁车站应对大量旅客滞留突发事件为例,验证了所提模型的有效性与科学性。     

基于加权网络和局部适应度的蛋白质复合物识别算法

蛋白质复合物识别对分析蛋白质网络的结构特征和模块功能具有重要意义。通常在蛋白质网络中挖掘稠密子图或模块来识别其中的蛋白质复合物,限制了其应用范围和识别的准确性。针对该问题,提出了一种基于加权网络和局部适应度的蛋白质复合物识别算法,该算法综合稠密子图的密度指标和模块性定义了新的局部适应度函数,并基于边聚集系数构建加权的蛋白质网络,根据权值选择边,在加权蛋白质网络中将种子边不断聚类扩展,从而获取具有最大综合适应度的子图作为蛋白质复合物。在酵母蛋白质等多个实际网络中试验表明,该算法能够有效提升蛋白质复合物识别的准确性。     

模2n〖KG-*3〗-1加法最佳线性逼近研究

模2n-1加法是密码算法中一种基本的算术运算,研究了它的最佳线性逼近问题,利用矩阵之间的特殊关系,给出单个输出比特、连续2个、连续3个及连续4个输出比特组合时的最佳线性逼近集及其对应的最大逼近优势。研究初步显示二元模2n-1加法最佳线性逼近的内在规律, 有助于更好地认识它的非线性性质。     

液压伺服疲劳试验机的H∞混合灵敏度控制研究

针对液压伺服疲劳试验机系统的不确定性，为获得良好的控制效果，采用了H∞鲁棒控制算法。首先，通过理论分析建立系统数学模型，讨论了该模型的不确定性及参数摄动性；然后，详细阐述了加权函数选取的一般规律；最后，应用混合灵敏度方法设计了H∞鲁棒控制器。仿真结果表明，即使被测试件刚度及系统参数在较大范围内摄动，该控制器依然具有很好的鲁棒稳定性以及良好的动态品质，较常规PID控制器更为优良。     

一种混合局部搜索算法的遗传算法求解旅行商问题

针对遗传算法容易产生早熟现象以及局部寻优能力较差的缺点,提出一种求解旅行商问题的高效混合遗传算法。该算法首先用加权最近邻法产生初始种群,对种群中相同的个体,用K-近邻法产生新的个体代替相同的个体,然后淘汰适应性较差的个体,用交叉操作产生新的个体,最后,对部分个体进行3-opt优化变异,对种群中优秀个体用改进的Lin-Kernighan算法进行优化。对TSPLIB中部分实例的仿真结果表明,所提出的混合局部搜索算法的改进遗传算法在求解TSP问题时可以高效地获得高质量的解。     

改进K-Means聚类算法及其在视觉词典构造中的应用

K-Means聚类是视觉词典构造的常用方法,其聚类结果直接影响后续的特征量化效果和检索精度,而现有的K-Means聚类算法难以获得高质量的视觉词典。针对这种情况,提出局部化K-Means聚类算法。算法首先根据启发式原则将特征集划分成若干个独立的子集,并对各子集进行传统K-Means聚类,然后以各子集的聚类中心为对象进行加权K-Means聚类。上述过程不断迭代直至形成特定规模的视觉词典。实验结果表明,与现有算法相比,该算法提高了聚类质量。在SIFT特征集和标准数据集上进行的多组对比实验证明了该算法的有效性。     

一种基于加权规则的显著模式挖掘算法

在频繁项集挖掘过程中会发现事务或关系数据集中项目具有不同的重要性,而一些经典的频繁模式挖掘算法仅考虑项目频数这一属性来进行挖掘操作。针对该问题为不同的项目添加不同权重,提出一个新的加权规则模型,定义一种特殊的模式即显著模式。构造一棵类似于FPTree树的、具有高度压缩存储特性的数据结构树——SPTree(Significant Pattern Tree),之后基于SPTree树提出一个新颖的挖掘显著模式的算法DMSP(Data Mining Significant Pattern)。实验结果验证DMSP算法能够高效地挖掘显著模式。该算法可以有效解决由于项目重要性各不相同而导致的问题,有利于发现更多有研究价值的信息。