饮酒对大学生注意网络功能的影响

[目的]探讨中等剂量的酒精摄入对大学生注意网络及各子系统的影响.[方法]研究对象为60名大学生,均为社会性饮酒者,采用抽签的方式随机分配到饮酒组(30人)和对照组(30人).运用注意网络测试分别从警觉、定向和执行控制三个维度对注意网络进行测量.[结果]与对照组相比,饮酒组注意网络中警觉效率、执行控制效率和反应时间均受到明显影响,差异有统计学意义(P＜0.05或P＜0.01);定向效率和正确率未受到明显的影响(P＞0.05).[结论]大学生社会饮酒者摄入中等剂量的酒精后注意网络出现损伤,酒精对注意网络的各子系统影响有差异.     

基于复杂网络理论的军事通信网信息传播模型

文章结合军事通信网的发展趋势,论述了军事通信网的无标度特征,建立并研究了一种具有无标度特征的军事通信网的信息传播模型。研究表明,在具有无标度特征的军事通信网中,信息有效传播的临界值为零,即信息一旦被获取便可以在网络中有效传播。此外,文章借鉴病毒传播网络中的免疫策略,提出了限制军事通信网中假消息传播的熟人屏蔽策略。     

临近空间无动力攻击器发射参数优化研究

为了对临近空间无动力攻击器发射问题进行优化研究,以攻击器射程和攻击器发射点到击中目标的飞行时间为目标函数,选择了4个同时影响射程和飞行时间的优化变量,给出了优化问题的约束条件。结合攻击器的弹道模型,采用基于均匀设计试验和偏最小二乘回归的响应面法构造了目标函数和约束条件的响应面,利用罚函数法将有约束优化问题转化为无约束优化问题,运用多元函数求极值的方法求解了该优化问题。通过仿真算例,得到较理想的优化解。     

装备无故障情况下的可靠性研究

在一次定时寿命截尾实验中20套装备无一失效。应用Bayes方法获得诸失效概率的估计,从而得到形状参数与特征寿命的估计,并给出了可靠性模型。     

一种基于节点资源利用率的无标度网络路由策略

本文研究了节点负载处理能力异质条件下的无标度网络交通动力学过程,提出了一种基于节点资源利用率的全局动态路由策略。该策略利用网络中节点资源利用率构建了一种全局代价函数,选择使该代价函数最小的路径来传输负载。实验结果表明该路由策略在略微增加平均路径长度的情况下成倍地提高了网络负载传输能力,与有效路由策略的比较进一步验证了该策略的有效性。     

微硅加速度计在定向钻进角度测量中的应用

针对地下定向钻进角度测量的特殊要求,提出了用一个单轴和双轴微硅加速度计测量地下钻头倾角和面向角的方法,组建了角度测量系统,给出温度补偿措施及相应的实验结果。结果表明,系统不仅具有体积小、成本低等优点,而且系统精度优于1℃,非常适合地下钻进测量。     

高阶BOC信号多区域鉴别器的无模糊多径抑制算法

传统的高阶BOC信号多径抑制算法的有效收敛区间较小,不利于信号的稳定跟踪,因此提出一种多区域鉴别器的高阶BOC多径抑制算法。在伪码误差为零的附近区域,采用优化的QStrobe多径抑制鉴别器,而在其他区域采用收敛区间较大的正交BOC鉴别器。利用卡尔曼滤波器对跟踪误差进行开环估计,判断误差所处区域并进行鉴别器的实时切换。对BOC(15,2.5)和BOC(14,2)信号的仿真结果表明,该算法能够实现无模糊跟踪,且6 d B衰减多径误差包络面积比传统QStrobe算法分别改善了57%和51%。     

对流层散射无源监视系统最优布局方法

为提高对流层散射无源监视系统对辐射源的定位精度,利用改进粒子群优化算法对分布式监视节点进行最优布局设计。推导了基于电磁波方位到达角定位机制下的几何精度因子。在改进粒子群优化算法中,采用混沌理论初始化所有粒子的初始参数;通过自适应变化的惯性权重和学习因子来提高算法寻优能力;为防止粒子陷入局部最优,利用双子群机制进行寻优,并在两子群之间进行交叉变异操作,以增加粒子的多样性。仿真结果表明:相对于几种常规的布站方式,所提算法能够明显提高监视系统对辐射源的定位精度,运行时间较遍历寻优算法有所减少。     

WENO格式权重分析与改进

为了优化WENO格式计算性能,在对Jiang和Shu的经典WENO格式(记为WENO-JS)加权方法分析的基础上,通过引入间接光滑指数,构造出一种新的WENO格式——WENO-E格式,取得减小间断区耗散的效果。理论分析表明,该格式与WENO-JS格式计算效率基本相同,可达到相同阶的计算精度;但在相同网格下,较之WENO-JS格式,该格式对光滑区域的求解有更小的截断误差,对间断的捕捉有更高的分辨率。与WENO-JS格式相比,采用WENO-E格式进行线性迁移方程、非线性Burgers方程、欧拉方程等相关问题的数值实验,均能取得更好的数值结果。     

面向蛋白质功能预测中有向无环图标记结构的多示例多标记学习

在多示例多标记学习问题中,标记之间往往是相互关联的,其中有向无环图结构是一种常见的层次关联结构,可见于蛋白质的基因本体学生物学功能预测的应用场景中。针对其标记间的有向无环图结构,提出了一种新的多示例多标记学习算法。算法从原始数据的特征空间训练出所有标记共享的低维子空间,通过随机梯度下降方法来降低模型排序损失,并融入标记间有向无环图结构关系对预测标记进行优化。将该算法应用于多个数据集的蛋白质功能预测中,实验结果表明,该算法具有更高的效率及预测性能。