MIMO系统中线性分散码的设计准则

针对准静态瑞利衰落信道,提出了一种适合整个信噪比区间的线性分散码设计准则。在功率受限MIMO系统中,当任何两个码字之间的码字差矩阵满秩并且具有相同的奇异值时可以获得最优的PEP。在高信噪比下,秩准则和行列式准则是该准则的一个特例。     

轴向开槽对改善超磁致伸缩材料线性度影响的研究

磁致伸缩应变与磁场关系的非线性,影响了磁致伸缩控制元件的精度和稳定性。文章针对这一问题,在超磁致伸缩式微小型高速开关阀驱动部件设计基础上,提出了沿超磁致伸缩棒(GMM)轴向开槽的方法来改善GMM部件的工作性能。通过对轴向开槽前后GMM棒内部磁场强度和焦耳热分布的数值计算,分析了轴向开槽对改善磁场强度的分布和减少热损耗功率的影响,通过对GMM棒开槽前后伸缩量的测试,验证了开槽可以明显改善超磁致伸缩材料组件的非线性。     

基于目标层反射能量的观测系统优化设计

塔里木盆地克深地区地表起伏大、地下构造复杂,造成资料采集困难.针对工区资料信噪比低、成像不精确的问题,采用已有的采集资料进行叠前深度偏移退化性处理,得到排列长度、接收线数、炮密度等基本观测参数.在此基础上,构建了该区的地球物理模型,计算目标层的照明度,根据共反射点能量均匀及接收效率最大原则,对炮检距、接收线数和炮密度3个采集参数进行了优化设计.研究结果对提高复杂山地地震资料采集质量具有指导意义.     

列车运行网络抗毁性能的量化研究*

为尽可能减少由于自然灾害导致铁路运输受阻甚至中断情况下受影响的列车数,提出了对现有列车运行方案以抗毁性优化为目标的量化分析方法.首先基于当前列车运行方案建立列车运行网络模型,该模型以实际铁路站点为节点,以实际铁路线为边,以每条边开行的列车数量为边权重;随后提出了一个称之为度权效应的抗毁性评价指标,并以该评价指标为目标函数,使用改进粒子群算法对网络权重进行优化.仿真结果得出了优化前后列车运行网络的抗毁性评价值分别为0.8881和0.9063,表明可通过量化分析方法来刻画列车运行网络的抗毁性能.     

一种基于AST的代码抄袭检测方法*

针对目前代码抄袭检测方面的研究大多是基于程序源码层面进行相似度比较,不需要对代码进行语法分析,由于忽略程序语法语义,对稍加结构修改的抄袭行为无法有效检测的现状,提出一种基于AST的代码抄袭检测方法.先将代码进行格式化预处理,再进行词法分析、语法分析,得到对应的AST;然后遍历AST生成代码序列,对代码序列进行相似度计算,从而得到代码的抄袭检测报告.实验结果表明,该方法能够有效检测出C程序代码的抄袭行为,并对C++、Java等多种程序代码的抄袭检测具有一定的通用性和可扩展性.     

基于兴趣度含正负项目的关联规则挖掘方法

项目的引入使得挖掘出的频繁项集成倍增加,同时生成的关联规则数量更加庞大,引入兴趣度来约束从频繁项 集中提取关联规则的数量。分析现有的兴趣度模型,从中选择了一种适合于含正负项目的关联规则挖掘的兴趣度方法,并且 提出了置信度的一个性质,描述了含正负项目的频繁项集挖掘关联规则的算法,并对矛盾关联规则进行了分析。实验结果表 明,该算法是有效和可行的。     

IP骨干网络流量矩阵估计算法研究

流量矩阵估计的高度病态特性,使得要精确地估计流量矩阵变得非常困难,如何克服这一问题的病态特性是当 前面临的主要挑战。该文研究大尺度IP骨干网络流量矩阵估计问题,并利用BP神经网络的强大建模功能来捕捉流量矩阵的特 征,通过将流量矩阵估计描述成约束条件下的最优化过程,能成功地克服这一问题的病态特性。仿真结果表明基于BP神经网 络的估计算法具有明显的性能改善。     

具有广义线性隶属函数的典型模糊系统的通用逼近性*

设计了一种将三角形和梯形隶属函数作为特例的广义线性隶属函数,推导了输入采用广义线性隶属函数的典型Mamdani模糊系统的解析结构,证明了典型模糊系统是单调、递减的有界连续函数;在此基础上证明了该类模糊系统能以任意精度逼近任意连续实函数,最后仿真实例证明了本设计的有效性。     

不确定业务量矩阵下鲁棒路由算法研究*

在研究不确定业务量矩阵下的鲁棒路由时,为了能够保证网络的绝对性能(如最大链路使用率不大于某一门限值),提出算法TSSA按照ISPs给定的链路使用率门限值r把业务量矩阵的变化范围D划分成K部分,对其中的K-1部分可以分别求出一套满足最大链路使用率不大于r的最佳路由方案。仿真结果显示,与使用针对单个TM求出的最佳路由方案对D进行分割相比,TSSA可以把D分割成更少的子集合。     

一种基于Normal矩阵的时间序列聚类方法*

提出了一种基于Normal矩阵的时间序列聚类方法。该算法首先对时间序列数据进行向量形式转换,计算出各个时间序列间的相似度并构建复杂网络,然后利用基于Normal矩阵的方法进行复杂网络社团划分,同一类的时间序列被划分到一个社团,即实现对时间序列数据的聚类。为了验证该方法的可行性和有效性,将其应用于股票时间序列数据聚类分析中,并在两个实际的数据集上与其他方法相比较,取得了较好的实验结果。