度量空间的非标准特性(Ⅱ)

本文在文《度重空间的非标准特性（Ⅰ）》的基础上,用非标准分析方法刻划了度量空间上的全有界映射与紧映射的许多特性,并给出了一个赋范线性空间的维数有限的非标准特征。最后,在赋范线性空间中,通过弱拓扑性质的非标准刻划,简洁地证明了Ｅｂｅｒｌｅｉｎ－Ⅲ定理。     

局部耗散型算子的Ishikawa迭代序列收敛性判别准则

给出了局部耗散型算子的Ishikawa迭代序列的收敛定理,将近期该领域的许多结果一般化。     

装甲车辆火力性能仿真模型可信性与实时性

可信性与实时性是"人在回路"仿真系统研究的核心内容.在仿真过程中,通过对坦克火力系统物理模型分析,兼顾仿真精度与实时性要求,采用与实际武器装备一致的解算方法,拟合出方位角、瞄准角、最大弹道高与测距距离的函数关系,并据此构造出装甲车辆的外弹道曲线.通过对计算机机器时间物理模型的分析,采用读取CPU内部64位时间寄存器EDX:EAX方式,实现了仿真算法的纳秒级实时运算.通过提高可信性与实时性,增强了"虚拟战车"的沉浸感,为装甲武器装备的采办提供了必要的支持.     

基于QAM调制的物理层网络编码中继误码性能

正交幅度调制(QAM)是物理层网络编码中一种重要的调制方式,文章介绍了ARB三节点模型中物理层网络编码中继映射准则,分析了QAM调制方式下中继的误码性能,得出了物理层网络编码在节省通信时隙之外所获得的"编码增益"。另外文章对ARB模型中发送节点功率分配问题进行了考虑,通过分析,进一步说明了物理层网络编码的可行性,最后文章探讨了下一步物理层网络编码中继映射准则可能的发展方向。     

基于中间表示规则替换的二进制翻译中间代码优化方法

动态二进制翻译在实现多源到多目标的程序翻译过程中,为屏蔽不同源平台间的硬件差异引入中间代码,采用内存虚拟策略进行实现,但同时带来中间代码膨胀问题。传统的中间代码优化方法主要采用对冗余指令进行匹配删除的方法。将优化重点聚焦在针对特殊指令匹配的中间表示规则替换上,提出了一种基于中间表示规则替换的二进制翻译中间代码优化方法。该方法针对中间代码膨胀所呈现的几种典型情景,描述了中间表示替换规则,并将以往应用在后端代码优化上的寄存器直接映射策略应用在此处。通过建立映射公式,实现了将原来的内存虚拟操作替换为本地寄存器操作,从而降低了中间代码膨胀率。使用SPEC CPU2006测试集进行了实验,验证了此优化方法的正确性和有效性。测试用例在优化前和优化后的执行结果一致,验证了优化方法的正确性;优化后测试用例的中间代码平均缩减率达到32.59%,验证了优化方法的有效性。     

NHibernate在Web-MIS开发中的应用研究

描述了基于.NET的持久化框架NHibernate，分析了NHibernate的工作原理，构建了基于NHibernate的Web-MIS的框架结构，给出了系统开发的实现步骤。实践表明，NHibernate能有效地实现关系型数据与对象模型之间的转换，提高系统的开发效率。     

网络安全实验平台K - 划分映射方法

对网络安全实验平台映射问题进行形式化描述,提出基于K-划分的映射方法,其核心思想是为了尽量减少占用网络资源,尽可能将逻辑拓扑紧密连接的节点映射到同一台交换机上。基于K-划分的映射方法采用贪心法确定初始划分状态,根据评价函数进行节点移动,对生成的子图进行算法迭代,直到所有子图的节点数量不大于物理拓扑端口容量为止。基于K-划分的映射方法弥补了K-L算法中初始划分状态选取的任意性对最终结果产生较大影响的缺陷,实验结果表明该算法的求解时间远小于遗传算法,能在较短的时间内得到映射结果。     

均匀面积映射及其在均匀纹理映射中的应用

为形成一个具有更小拉伸的网格参数化映射,在三角形网格面片面积均匀分布的情况下,采用分两步走的均匀面积映射法。通过均质化参数域里的三角形面积,用均匀或不均匀方式有效地降低了采样稀疏问题的影响,避免了传统方法中矩阵奇异值的计算。对三角形网格,先进行均值协调参数化,然后通过一个凸组合让参数域更加均匀,得到一个拉伸较低、面积更加均匀的三角形分布,从而可以更好地取样且适合于纹理映射。通过实验和对比,可以证明在均匀纹理映射方面,均匀面积映射法比保角映射法和等积投影映射法都有明显的提高。     

一类集值映射的高阶微分

在文[1]中,H.T.Banks 与M.Q.Jacobs 讨论了集映Ω:R~m→(?)(R~n)的一阶微分,分别给出了Ω可微的充分条件与必要条件。本文改进了文[1]的工作,证明了[1]中条件(3.2)的限制是不必要的,从而得到了Ω可微的充分必要条件,及较为简洁的Ω微分解析表达式。在文中也讨论了Ω的k 阶微分,得到了Ωk 阶可微的充分必要条件及k 阶微分的解析表达式。     

涡轮泵故障检测的频段能量比SOM算法

为了解决缺少故障样本情况下的涡轮泵健康状态判别问题,分析了涡轮泵振动信号的频谱,提取了频段能量比作为其故障检测特征,并讨论了自组织映射的竞争学习原理及聚类结果的U-矩阵表示,提出了一种基于频段能量比的自组织映射故障检测算法,并实现了该算法最佳匹配神经元的选择和权重向量的自适应更新。通过某型液体火箭发动机历史试车数据的验证,结果表明,健康涡轮泵数据利用该算法聚类时仅存在一个类别,相邻神经元距离小于0.1;反之,故障涡轮泵数据利用该算法聚类时明显存在两个或多个类别,且相邻神经元的最大距离大于0.1。因此,基于频段能量比的SOM算法能有效地判别涡轮泵的健康状况。