抗辐照MRAM研究进展

针对传统分块方法根据经验划分子块导致变量特征信息无法充分利用,其单一的建模方式忽略局部信息以及离线模型无法适应时变特性的问题,提出了一种KL (Kullback-Leibler) 散度多模块滑动窗口慢特征分析方法。在正常工况数据集中,利用KL散度来度量变量间的距离,同时引入最小误差平方和准则进行聚类,分成两个距离最小的子模块;在此基础上利用慢特征分析方法对每个子模块进行建模,结合滑动窗口对每次采样的数据进行更新,得到最优模型,分别计算监测统计信息,利用支持向量数据描述对故障监测结果进行融合,实现故障诊断。并将该方法应用于田纳西伊斯曼过程的监控中,得到了较高的故障检测率和较低的虚警率,验证了该方法的可行性和有效性。     

基于模糊熵与方向相似度的液体火箭发动机故障检测

先定义系统的广义模糊熵及其计算公式，再给出滑动数据窗口中采样数据矢量方向分布中心的离散度定义及其与模糊熵之间的负指数解析关系，并基于离散度概念对自适应窗口滤波器进行了改进，提高了滤波器对噪声的敏感度以及故障检测算法对强干扰噪声环境的鲁棒性。同时，根据滑动数据窗口中二模糊聚类数据中心矢量方向相似度的变化来监示发动机系统故障的发展趋势。本文基于受强噪声环境干扰的实际试车数据并用自组织模糊聚类算法作为滑动数据窗口上的聚类算法进行了数字仿真试验。仿真结果表明：基于模糊熵的故障检测算法具有对强噪声环境的鲁棒性，是低信噪比环境下的一种客观的故障检测算法。     

地球静止轨道高能电子通量在线预测模型

利用粒子群优化算法和最小二乘支持向量机,建立地球静止轨道高能电子通量在线预测模型。针对粒子群优化算法,提出一种新的粒子群多样性测度计算方法,有效改善其早熟收敛现象。运用改进的粒子群优化算法优化最小二乘支持向量机的正则化参数和核参数。利用滑动时间窗口策略更新模型数据,选择触发机制以及模型的再学习机制为设计变量,实现模型的在线预测功能。对2000年电子通量监测数据和相关太阳风、地磁参数等实际数据进行的提前1~3天的预测实验,表明所建在线预测模型具有较高的预测性能,并具有一定的实用价值。     

基于智能集成架构的时间序列数据挖掘算法研究

针对单一算法在处理复杂时间序列数据时存在缺陷以致无法挖掘全部信息的问题,提出了智能集成架构,给出了4种集成结构,并分析了它们的适用情况。针对一类随机噪声干扰的时间序列数据,采用并联嵌套建模结构,提出嵌套双种群粒子群算法的自回归滑动平均(ARMA)模型,用于挖掘数据中的随机性趋势;提出基于概率密度控制(PDF)的最小二乘支持向量机(LSSVM),用于挖掘数据中的确定性趋势,两种模型并联补集成实现对数据信息的充分挖掘。通过一组实验验证了所提方法的效果。     

地球静止轨道高能电子通量在线预测模型研究

利用粒子群优化算法和最小二乘支持向量机，建立了地球静止轨道高能电子通量(1.8-3.5MeV)在线预测模型。针对粒子群优化算法，提出了一种新的粒子群多样性测度计算方法，有效改善了其早熟收敛现象；基于改进的粒子群优化算法优化最小二乘支持向量机的正则化参数和核参数；利用滑动时间窗口策略更新模型数据，设计变量选择触发机制以及模型的再学习机制实现模型的在线预测功能。[根据题目的调整，对摘要做了相应改动]通过对2000年电子通量监测数据和相关太阳风、地磁参数等实际数据进行提前1-3天的预测实验，表明了所建在线预测模型具有较高的预测性能，有一定的实用价值。     

大肠杆菌转录起始位点的计算定位方法

根据已有的启动子识别算法,提出了一种基于滑动窗口的大肠杆菌转录起始位点(TSS)计算定位方法,通过在启动子信号特征中引入复合模式来改进识别分类器,并将其用于滑动窗口序列,在合理限定的TSS定位范围内依次计算各个序列位置的TSS似然得分,再利用TSS与翻译起始位点(TLS)的距离分布信息作为TSS的位置得分,两者相结合来进行位置预测。对大肠杆菌真实数据的测试表明,算法可以大幅度减少假阳性结果,实现对真实TSS位置的有效预测。     

基于相关性函数的多站微动特征分析与提取

针对多站雷达精度跨度大、难以有效进行融合识别的问题,提出了基于相关性函数的多站加权融合方法。首先建立了弹道目标滑动散射模型,通过时延相乘重构回波,并利用扩展Hough变换提取出距离像的曲线参数,从而建立方程组以求取微动信息。然后利用相关性函数对各雷达的支持度进行分析,最终对支持度高的观测数据进行融合识别。仿真结果表明该方法计算简单,能有效提高微动参数的估计精度,客观地反映各部雷达的可靠度。     

灰色直接迭代建模在武器故障预报中的应用

武器系统故障数据常呈现出非等时距、随机性及非准光滑特性,不满足GM(1,1)的建模条件。为此,引入故障信息序列的导数作为建模的白化值,并使用迭代优化算法进行参数优化,从而构建灰色直接迭代GM(1,1)模型。同时,直接迭代建模可有效利用数据第一点的信息,建模时不需累加生成变换和还原处理,算法简单可行,可以有效解决武器系统贫信息状态下的故障预报问题。仿真结果验证了该模型对于实际武器故障序列具有较高的拟合和预测精度。为了解和掌握武器质量状态的发展规律提供了可行的方法。     

基于CNN-LSTM的在轨卫星故障预测分析

在役考核中,对遥测参数进行监控与分析,是评估在轨卫星工作状态及健康状况的重要途径.为解决在线多任务故障预测问题,提出了结合长短期记忆网络(LSTM)和卷积神经网络(CNN)的数据挖掘模型,并运用了一种基于误差反馈的权重自调整机制.利用某型卫星(含故障)遥测参数的仿真数据进行分析处理,实验结果表明:在线CNN-LSTM模型以最小的信息损失进行建模,对比单一模型以及传统的回归模型,CNN-LSTM模型不仅在测试集上取得了最小平均绝对百分比误差12.61％,同时模型预测性能在长时间预测中优于离线模型.     

基于改进Faster R-CNN的舰船目标三维识别算法

针对二维图像无法深度表征目标、远海舰船目标表征困难等问题,提出基于更快卷积神经网络和区域组合识别模型相结合的三维舰船目标识别框架。重建舰船三维模型,在原始的区域生成网络上利用级联的方法改进了生成滑动窗口的方法,同时提出实际标注与区域建议联合识别模型,采用非极大值抑制的方法对容错框进行去除。实验结果表明所改进的算法在舰船目标三维识别的精确率和召回率上均有较大优势。     

基于动态可调簇的能量感知无线传感网数据收集协议

针对无线传感网中高效数据收集和传输的需要,提出了一种基于动态可调簇的能量感知数据收集协议ACEDGP(Adjusted Cluster-based energy-aware Data Gathering Protocol)。该协议初始时根据区域将节点等分成许多簇结构,簇首节点负责簇内部数据的收集和聚合,距离较远的簇通过其他簇首节点的转发实现数据的收集;随着时间的推移和节点能量的减少,ACEDGP能够统计各簇首能量消耗预测簇的通信频次,根据动态调整簇策略选择合适的簇首节点和合并分裂各个相邻的簇,保证各簇首节点簇内数据收集和簇间数据转发的能量平衡。仿真结果表明,与典型的分簇协议相比,ACEDGP能够更好地平衡节点的能耗,获得更长的网络生存期。     

基于开放环境的P2P网络主动型蠕虫传播模型

P2P网络主动型蠕虫采用主动扫描邻居节点信息的策略,能在短时间内破坏整个P2P网络,成为网络信息系统最为严重的安全威胁。结合主动型蠕虫的传播特点,考虑开放的P2P网络环境对蠕虫传播的影响,弥补现有模型忽略P2P网络动态性的不足,建立了基于开放环境的P2P网络蠕虫传播模型。与双因素模型相比较,该模型能更客观地反映现实网络中蠕虫的传播情况,在此基础上从初始已感染主机数、感染率、免疫率3方面定量分析了蠕虫的传播规律。仿真结果表明,感染率和免疫率是影响蠕虫传播的关键因素。     

LEACH—DRT算法中基于神经网络的数据预测算法

为了保证无线传感器网络中数据的完整性,针对基于LEACH路由协议的动态轮时间算法存在的问题,提出一种基于人工神经网络的数据预测算法。该动态轮时间算法中,部分簇因调整后的轮时间不足以完成数据的采集而丢失数据。数据预测算法结合传感器节点数据具有时空相关性的特点,将时空延迟算子引入神经网络模型,并通过建立的神经网络模型对数据进行预测。仿真时采用伯克利英特尔实验室的传感器数据,通过Mafl软件对模型进行测试并分析仿真结果。实验结果表明：该算法对连续多个数据的预测效果理想,预测误差始终保持在较低水平。     

群体性事件网络舆情传播规律与对策研究

随着互联网的不断普及,现实世界发生的群体性事件往往迅速在虚拟的网络世界引起强烈反响,一旦处理不当将会引发甚至恶化群体性事件。通过分析群体性事件与网络舆情之间的关系,研究群体性事件网络舆情形成机制与传格规律．并在此基础上提出应对群体性事件网络舆情的对策。     

一种应用聚类技术检测网络入侵的新方法

基于聚类技术提出了一种能处理不带标识且含异常数据样本的训练集数据的网络入侵检测方法。对网络连接数据作归一化处理后 ,通过比较数据样本间距离与类宽度W的关系进行数据类质心的自动搜索 ,并通过计算样本数据与各类质心的最小距离来对各样本数据进行类划分 ,同时根据各类中的样本数据动态调整类质心 ,使之更好地反映原始数据分布。完成样本数据的类划分后 ,根据正常类比例N来确定异常数据类别并用于网络连接数据的实时检测。结果表明 ,该方法有效地以较低的系统误警率从网络连接数据中检测出新的入侵行为 ,更降低了对训练数据集的要求。     

基于节点剩余能量的分时分簇LEACH改进算法

针对无线传感网络中高效路由协议的设计问题,基于传感器节点的剩余能量提出一种分时分簇的改进LEACH算法。算法通过分时分簇方式,有效克服了传统LEACH算法中簇首数目不稳定的缺陷,且不会额外增加网络的能耗,使得簇首在整个网络中的分布以及网络的能量消耗更加均衡,有效延长了传感器网络的正常工作时间。仿真实验验证了改进算法的有效性。     

SpaceFibre网络服务质量时隙资源分配算法

为保证SpaceFibre星载数据网络大量实时数据流的超高速确定性传输,提出一种包含两个子算法的SpaceFibre网络服务质量时隙资源分配算法。形式化描述网络服务质量机制,给出调度矩阵相关定义;创建网络服务质量排队模型,定量分析时隙资源分配对网络时延性能的影响;考虑网络兼容性和算法鲁棒性,给出改进二进制序列调度子算法;采用提高初始种群进化程度和增加遗传算子等方法,给出改进混合单亲遗传调度子算法;利用Opnet网络仿真平台建立网络服务质量仿真模型,对比不同算法下网络时延性能。仿真结果表明,该时隙资源分配算法与其他算法相比,网络平均延时降低,网络性能得到显著改善,对构建低延时SpaceFibre网络具有参考意义。     

基于ARUDP的指挥控制网络数据传输协议

针对目前指挥控制网络采用UDP协议进行大数据传输时存在长时延及高丢包率的问题,提出了一种基于UDP改进的ARUDP(Augmented Reliable UDP)协议。该协议针对UDP传输过程中存在的乱序到达问题,提出了基于乱序重构的管理机制,降低了丢包率;在接收端根据网络相对单向队列时延检测网络状态,并利用改进的A-AIAD控制方法自适应调整数据发送速率,减小了队列排队时延,提高了数据传输效率。仿真实验表明,ARUDP协议发送速率平滑,在保持UDP高效的前提下,提高了传输的可靠性和实时性,降低了网络的丢包率,提高了网络资源利用率。     

相依网络研究综述

网络相依性和相依网络研究已经成为近年来复杂网络领域的热点,但是目前对相关研究进展进行综合归纳的文献却不多见。在对国内外相关文献进行系统分析的基础上,简要介绍相依网络研究涉及的渗流理论;描述该类型网络的级联失效过程;从相依网络的子网络特性、相依边的方向和类型、子网络组合方式等三个角度对相依网络鲁棒性的研究成果进行总结;并从理论和应用两方面对未来相依网络研究的发展方向进行展望。     

基于Elman神经网络的NSG水位特性辨识方法研究

针对核动力蒸汽发生器在瞬态、启动和低功率下的“收缩”与“膨胀”现象引起的逆动力学效应使核动力蒸汽发生器水位特性难以辨识的问题,提出了基于Elman神经网络的NSG水位特性辨识的新方法.采用串-并联型辨识结构,以保证辨识的收敛性和稳定性.网络训练采用Levenberg-Marququardt BP学习算法.仿真结果表明,所提出的方法能够正确地辨识核动力蒸汽发生器的水位特性,且具有较高的辨识精度.