无信号交叉口交通流有序运行实现方法研究

为改善无信号交叉口交通运行现状,基于自然排队思想,采用路中时间提醒装置使驾驶员获取无信号交叉口通行信息,对车速进行主动调整,达到自然排队的效果,在交叉口形成有序的交通流．运用不完全停车理论分析了此种方法对延误的降低,同时剖析了自然排队对交叉口交通的改善．实施方法的采取可以显著改善无信号交叉口的交通秩序,提高其通行能力．     

φ-混合随机变量序列加权和的完全收敛性

讨论了同分布下的φ-混合随机变量序列的完全收敛性,构建了1个定理和1个推论,它改进了前人的一些研究成果,获得了更一般的结论．     

论中国移动的市场类型特征

服务业作为一种新型产业在人们的实际生产生活中,起到了重大作用。移动通信行业是服务业的重要组成部分,而中国移动通信集团公司(以下简称"中国移动")无疑是该行业的领军人。在社会主义市场经济体制下,中国移动有了它的特殊性,即从不同的角度考虑中国移动可以得出它分别属于不同类型的市场。用西方经济学原理去分析中国移动,也就有了重要的现实意义。     

准正交空时分组码的自适应设计

为了能在满足空时分组码完全分集的同时尽可能降低译码复杂度,提出了准正交空时分组码的自适应设计方案. 在准正交空时分组码的编码结构上添加自适应系数,根据当前信道状态信息计算自适应系数的具体数值. 设计的目的是保证传输的数据符号之间相互正交,彼此没有干扰,从而实现完全分集,并能采用复杂度低的单符号译码方法. 仿真结果表明,准正交空时分组码自适应方案的误码率性能要明显好于采用星座旋转的准正交空时分组码方案,只需要采用有限反馈的方法就能实现近似理想反馈的误码率性能.      

计算机网络安全漏洞及防范措施解析

计算机网络的运行中,安全漏洞成为系统遭遇恶意攻击的主要途径,加强对计算机网络安全漏洞及防范措施的研究是十分重要的.对计算机网络安全漏洞的种类、计算机网络安全漏洞的成因及计算机网络安全漏洞的防范措施进行了分析和探讨.     

中学数学教学中创造思维能力的探索

培养学生的学习能力和创造思维能力是新时期教学的重要目标,这与培养创造型人才的素质教育是一致的。当前,各年级层次的数学考题,都给我们以往不利于＂创新教育＂的教法敲响了警钟,同时也为我们今后的数学教学提供了新的指引。从新型试题上分析,与以往相比,新试题较侧重测量学生对数学知识的理解及知识的运用能力,而减少了对学生解题的熟练程度的检查。另外许多测量题的解法空间有所拓宽,目的是要考查学生的思维广度。     

校园网安全防御体系的构建探析

现在高校的校园网都已经接入了互联网,而互联网的接入则有效地促进了校园教育信息化工作的快速与便捷的实现。然而在这个过程当中,接入互联网的校园网同时需要面对各种各样的安全问题,导致其自身的安全正常运行受到了严重的威胁。本文针对校园网的安全威胁进行了分析,然后以此为基础,探讨了如何针对校园网的安全防御体系进行有效的构建。     

一种嵌入式数字视频记录系统的设计

为了提高对车辆的管理和交通事故判断的准确性,采用ARM7微控制器LPC2210和MPEG-1压缩芯片SZ1510设计了一种应用在汽车上的嵌入式数字视频压缩记录系统,可以将摄像头拍摄的汽车的整个行驶过程实时准确的记录存储在电子盘中,通过事后回放来为规范管理和交通事故判断提供可靠依据.本系统将摄像头拍摄到的视频信息以MPEG-1格式进行实时压缩并以文件的形式存放在电子盘中,回放分辨率达到720×576,画面质量清晰.采用的32位ARM微处理器较16位处理器的速度大大提高,完全满足了视频压缩存储记录的实时性要求,而且本身体积小、功耗低,大大提高了系统的综合性能.     

基于CEEMDAN-SAFA-LSSVM的短期风功率预测

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一.建立了基于CEEMDAN-SAFA-LSSVM短期风功率组合预测模型.采用完全集合经验模态分解(CEEMDAN)将原始风功率序列分解成特征互异的各个本征模态分量,对分解产生的本征模态分量进行相空间重构,然后根据得到的新模态分量建立相应的最小二乘支持向量机(LSSVM)预测模型.针对LSSVM模型的预测精度易受参数选择的影响,提出萤火虫算法(SAFA)优化LSSVM模型的参数,解决了 LSSVM参数寻优效率低的问题.算例分析表明CEEMDAN-SAFA-LSSVM模型在风功率预测中具有较高的预测精度和预测效率.     

基于不完全信息的深度网络表示学习方法

网络表示学习的目标是将网络中的节点嵌入到低维的向量空间,为下游任务提供有效特征表示.在现实场景中,大规模网络通常具有不完整的链路,而现有的大多数网络表示学习模型都是在网络是完整的假设下设计的,因此其性能很容易受到链路缺失的影响.针对该问题,文中提出了一种基于不完全信息的深度网络表示学习方法DNRL(Deep Network Representa-tion Learning).首先采用转移概率矩阵将结构信息和属性信息进行动态融合,弥补了结构信息不完整带来的过大损失,然后采用一种具有强大特征提取能力的深度生成模型(变分自编码器)来学习节点的低维表示,并捕获网络数据中潜在的高非线性特征.在3个真实属性网络上的实验结果表明,与当前常用的网络表示学习模型相比,所提模型在不同程度链路缺失的节点分类任务中都明显地改善了分类效果,在可视化任务中更清晰地反映了节点的团簇关系.