采用PageRank和节点聚类系数的标签传播重叠社区发现算法

基于标签传播的社区发现算法可以检测出复杂网络的重叠社区结构,因此提出了一种基于PageRank和节点聚类系数的重叠社区发现算法。该算法使用PageRank算法对节点的影响力进行排序,可以稳定社区发现结果,节点的聚类系数是一个与节点相关的值,使用节点聚类系数修改算法的参数并限制每个节点拥有最多标签的数量值,可以提高社区挖掘的质量。在人工网络和真实世界的网络上测试,实验验证了该算法能够有效地检测出重叠社区,并具有可接受的时间效率和算法复杂度。     

备件保障效能动态评估方法

针对目前效能评估方法多重视效能指标的静态观测值,对时序状态数据所蕴含的趋势信息关注较少的缺点,提出基于灰色聚类-粗糙集和集对分析的备件保障效能动态评估方法。针对主客观赋权方法各自的优缺点,引入依赖度和重要度的概念,建立灰色聚类-粗糙集组合赋权模型;将指标权重引入集对理论,提出集对同势、均势和反势的定义,描述备件保障效能的变化规律,构建基于马尔可夫链的集对分析动态模型。实例分析结果表明,该方法可以有效反映备件保障效能的动态变化特征,为决策者制定备件保障长期计划提供科学依据。     

零压式高空气球球形设计与参数敏感性分析

高空气球能够为临近空间科学实验提供可靠的平台,其形状直接关系到气球制作及飞行的全过程。提出将多段打靶法与序列二次规划法结合,对零压气球完全膨胀和部分膨胀状态下的球形进行求解,并运用有限元方法对球形进行稳定性及应力应变分析,验证了所推导球形的正确性。在此基础上,对影响气球形状的关键参数进行灵敏度分析及相关运用,从定量的角度得到气球载荷、飞行高度及昼夜温差对气球形状的影响规律。     

准零风层新型临近空间浮空器区域驻留性能

以基于平流层底部的准零风层风场进行区域驻留的新型临近空间浮空器为研究对象,介绍了其工作原理和系统组成。通过建立动力学模型、高度调控模型和能源模型,分析浮空器在基于飞行速度约束和基于南北范围约束两种工作模式下的区域驻留能力,并讨论浮空器在这两种工作模式下的动态能源特性。对长沙地区风场环境的研究结果表明,相对于无控自由飞行状态,浮空器在两种工作模式下均可实现100 km直径范围的长时驻留,基于飞行速度约束工作模式对能量的消耗更低。     

目次

为改善等离子体合成射流激励器在稀薄空气环境中的控制效果,增强其临近空间环境适应性,开展了腔体增压条件下激励器工作特性的研究。建立了腔体增压效果理论分析模型,计算结果表明:采用高压气源供气可以较好地提升激励器腔体气压,并且腔体气压对高压气源气压具有较好的跟随性,从而为射流强度调节提供了一种新的方式。搭建了腔体增压等离子体合成射流激励器实验系统,开展了腔体增压压力和射流流场特性测量,实验测量结果与计算结果吻合良好,误差小于2.6%。高速纹影观测显示:在腔体增压作用下,激励器控制力得到显著改善,射流锋面峰值速度由256 m/s提升至507 m/s。     

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%。     

改进的聚类算法在入侵检测系统中的应用

K-中心点聚类算法是几种经典的聚类算法之一。但传统的K-中心点聚类算法的效率以及稳定性较低,聚类的过程缓慢,容易陷入局部最优解,使得聚类最终结果的准确性不能得到保证。为此,提出了一种基于数据的"密度"信息有效地改进K-中心点聚类算法并应用于入侵检测模型。该算法很好地克服了传统的K-中心点聚类算法过分依赖初始中心点选择的弊端,并且用实验分别验证,以这种方法来进行数据的聚类相比于传统的K-中心点聚类算法,显著提高了数据集聚类的效果,在入侵检测系统的应用中也有效地提高了检测率和降低了误检率,具备一定的实用价值。     

基于多尺度特征聚类算法的不确定目标检测

提出一种基于无样本的SAR图像目标检测分类方法。针对空战过程中难以获得大量SAR图像目标样本问题,采用基于全局CFAR的多尺度SIFT特征进行目标纹理描述,并针对特征维度较高及特征描述之间存在的冗余问题,通过PCA算法对其进行降维处理后,采用DBSCAN算法对潜在目标区域的多尺度SIFT特征进行分类实现目标检测。通过单一目标和多类目标图像进行实验验证,实验结果表明该方法具有一定的有效性和可行性。     

基于DBSCAN聚类的异构多智能体分层任务分配方法

针对多约束条件下大规模探测/通信智能体集群协同探测任务分配问题,从全局与局部相结合的角度,提出了一种分层任务分配求解方法。首先,根据通信距离约束对所有任务节点进行聚类预分组,将集群任务分配问题划分为上层全局任务分配和底层局部任务分配。然后,根据聚类结果采用启发式算法求解探测/通信智能体组间全局任务分配结果。随后,根据探测智能体的全局任务分配结果,采用遗传算法对探测智能体组内任务进行分配。最后,通信智能体根据探测智能体的组内任务分配结果,采用基于虚拟节点的方法进行组内任务分配。实验结果表明,相较于直接求解方法,分层任务分配方法不仅解决了大规模集群协同任务分配问题,还可以在保证优化目标值相近的情况下,缩短70%以上的求解时间,较快得到相对最优的任务分配结果。     

高精度CFD程序的内外子区域划分异构并行算法

对计算流体力学(Computational Fluid Dynamics, CFD)程序CNS提出一种Offload模式下对任务内外子区域划分的异构并行算法,结合结构化网格下有限差分计算和四阶龙格-库塔方法的特点,引入ghost网格点区域,设计了一种ghost区域收缩计算策略,显著降低了异构计算资源之间的数据传输开销,负载均衡时CPU端的计算与MPI通信完全和加速器端的计算重叠,提高了异构协同并行性。推导了保证计算正确性的ghost区域的参数,分析了负载均衡的条件。在"CPU(Intel Haswell Xeon E5-2670 12 cores×2)+加速器(Xeon Phi 7120A×2)"的服务器上测得该算法较直接将任务子块整体迁至加速器端计算的异构算法性能平均提升至5.9倍,较MPI/OpenMP两级并行算法使用24个纯CPU核的性能,该算法使用单加速器时加速至1.27倍,使用双加速器加速至1.45倍。讨论和分析了性能瓶颈与存在的问题。