一种能量收集嵌入式系统自适应调度算法

能量收集嵌入式系统(energy harvesting embedded system,简称EHES)的任务调度算法需要考虑能量收集单元的能量输出、能量存储单元的能量水平和能量消耗单元的能耗.实时任务在满足能量约束的条件下,才可能满足时间约束.在这个背景下,传统固定优先级调度算法不再适用于EHES.提出一种基于分组的自适应任务调度算法,它能根据能量收集单元由于能量输出的不确定性而造成的非能量约束情况和能量约束情况,自适应地选择任务调度算法.在非能量约束的情况下,减少任务抢占次数,增强任务的可调度性;在能量约束情况下,减少电池模式切换次数,提高能量存储单元的平均能量水平,从而降低系统能量约束.在一个可进行大范围任务集合仿真的实验环境下对提出的算法进行验证,并将基于分组的自适应调度算法与现有的两个经典算法进行了对比.     

基于．NET的XBRL数据转换引擎研究与实现

针对目前基于XBRL统一数据集成化处理平台中从各种不同数据库读取及转换数据等方面的困难及不足,分析了XBRL技术的特点和数据转换需求,然后探讨了数据转换引擎的工作原理及其实现过程.该研究有利于数据快速整合,为统一数据集成化处理平台数据转换提供了依据.     

基于ME-BiLSTM模型的苜蓿叶面积指数预测方法

连续时序的叶面积指数(Leaf Area Index, LAI)可反映苜蓿长势的变化情况,预测苜蓿未来时段的LAI对指导田间管理决策具有重要作用。针对LAI数据采集困难,导致苜蓿时序LAI存在训练数据不足的问题,该文以生长天数为自变量,采用修正的Logistic模型对实测苜蓿LAI变化的动态过程进行建模,根据LAI模拟曲线进行数据插补,从而构建宁夏引黄灌区试验区3年的逐日苜蓿LAI数据集。在插补数据集的基础上,为解决苜蓿刈割后数据突变问题,提出了一种ME-BiLSTM模型。该模型集成移动累计和检验方法(MOSUM)以及基于双向长短期记忆网络(BiLSTM)的编码器-解码器神经网络。MOSUM方法可以实现LAI数据集中突变点检测,并剔除包含突变点训练批次,同时应用改进的BiLSTM模型进行预测。结果表明：ME-BiLSTM模型能较好地进行苜蓿LAI未来曲线变化的预测,其决定系数(R²)、均方根误差(RMSE)值分别为0.998 5和0.072 2。对于苜蓿生长的各个茬次,预测模型对于第1茬、第4茬的预测精度最高,第2茬和第3茬的预测精度稍有降低。