基于去除函数预测模型的磁流变抛光工艺优化研究

在分析磁流变抛光加工过程的基础上,建立了磁流变抛光的去除函数预测模型,该模型利用加工前后的面形误差分布和仿真计算的面形残差分布,针对不同材料间的去除函数模型效率系数进行辨识,能够实现去除函数模型的准确预测.以该模型为基础,通过在传统磁流变抛光工艺中加入去除函数效率系数实时辨识的工艺环节,可以对磁流变抛光的加工工艺进行优化.利用该优化工艺对一块口径202mm的HIP SiC进行9次循环迭代加工,采用子孔径拼接测量技术进行测量,面形误差由初始的PV 0.72μm,RMS 0.108μm提升到最终的PV0.13μm,RMS0.012μm.实验表明,去除函数预测模型能够优化磁流变抛光工艺,提高加工的确定性和增强工艺的适用性,实现光学镜面的高精度确定性磁流变抛光加工.     

图像超分辨率卷积神经网络加速算法

为了实现模型的实时和嵌入式运行,提出了一种轻量级的卷积神经网络结构。通过采用较小的滤波器尺寸和引入深度可分离卷积,可大量减少模型参数,提高模型非线性表达能力;在网络末端引入子像素卷积层,直接从原始低分辨率图像学习到高分辨率图像的映射,计算成本为原来的1/k²(k为放大因子)。在Set5数据集上的实验表明,所提模型的速度较经典的图像超分辨率重建算法速度提高了25.8倍,能够在通用GPU上实时运行,峰值信噪比平均提高了0.17 dB,并且参数只有它的35%。     

流编程模型下的存储一致性模型

在流编程模型下建立了一个新的存储一致性模型--流一致性模型,它比传统的释放一致性模型更加松弛.讨论了流一致性模型对程序设计和系统设计的要求,给出了一个正确的系统实现,并且指出流一致性模型的编程和实现并不比现有的一致性模型复杂.     

基于Rough集理论的数据库推理通道动态消除

提出了一种基于Rough集理论的数据库推理泄漏通道消除方法。在由数据库中所有数据生成的不完备决策表上,该方法应用Rough集理论,分析提取出敏感和非敏感数据之间的确定性推理关系,以此产生推理控制规则。利用这些规则对数据库系统返回给普通用户的数据动态地做最小修改,防止推理通道的产生。实验结果表明,该方法可扩展性强,在保证较高的数据库安全性的同时提高了数据可用性。     

面向多星协同的卫星自组织自主控制体系结构

针对多卫星系统的自主控制需求,提出了一种面向多星协同的单星自组织自主控制体系结构(SAASO)。分析了多卫星系统自主控制的要求和特点,介绍了SAASO的层次化结构,讨论了各层的Agent组成、功能及相互联系,阐述了基于SAASO的自主控制系统工作原理,并探讨了系统自组织形式。SAASO面向不同的航天任务、不同自主程度的卫星设计,具有一定的通用性。     

盘形圆弧砂轮曲面磨削几何模型

砂轮外形、加工轨迹、运动轴组合方式、工件摆放方式等的差异都会引起曲面磨削加工模型的变化,加工几何模型是实施曲面磨削首要解决的问题。建立盘形圆弧砂轮的几何模型,通过磨削点法向量匹配,建立工件点和砂轮点的一一映射关系,经过坐标变换可以得到相应的刀具运动轨迹,用于磨削加工。形成统一的盘形砂轮曲面磨削几何模型,并给出刀具运动轨迹的计算流程。该磨削模型适用范围广,有效解决了多种曲面磨削过程的刀具轨迹生成问题,实现了高精度的曲面磨削加工。     

基于分布式转发交换的并行路由器关键技术研究

随着Internet链路速率和IP前缀数目的不断增长,对路由器的转发和交换能力提出了更高的要求.提出一种基于分布式转发交换的并行路由器体系结构,采用多个低速的能够独立转发和交换报文的功能部件构成多级流水线,以流水的方式执行报文转发和交换.对该结构实现关键技术--基于子树映射的IP流水查找机制进行了深入的研究,提出了相应的解决方案,并指出了下一步的研究方向和思路.     

平坦同态下模的内射维数

Ａｆ→Ｂ,ｆ是平坦同态,Ｍ是Ａ－模,本文给出了ｉｄＡＭ与ｉｄＢ（ＭＡＢ）的不等式关系。     

跳跃-滑翔弹道扰动引力自适应网格快速赋值方法

为实现高超声速跳跃-滑翔弹道扰动引力的快速赋值,提出自适应网格赋值模型,并根据反距离加权理论,优化广义延拓逼近算法,对模型的逼近误差进行分析。该赋值模型的网格划分为两级,第一级网格根据标准弹道空域进行划分,第二级网格根据滑翔导弹实际弹道在线生成。根据一级网格节点数据,通过优化广义延拓逼近算法计算二级网格节点数据,最后根据二级单元内插计算实际弹道点的扰动引力值。仿真结果表明:在同等大小的网格划分下,优化广义延拓自适应网格模型的逼近精度高于一般赋值方法;在同等精度要求下,该赋值模型的最大单元格边长大于一般赋值方法,从而减少了单元格划分数量,进而降低弹上数据存储量;针对不同滑翔方向以及不同滑翔距离的跳跃-滑翔弹道,该模型逼近误差对应的落点偏差小于5 m,具有较好的适应性。该赋值模型在满足计算速度的前提下,提高了传统赋值方法的逼近精度,降低了弹上存储量,具有一定的工程应用价值。     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。