网络中心与平台中心的声纳浮标探测概率建模

针对基于网络中心与平台中心的声纳浮标组网探测问题,在分析声纳浮标瞥概率模型的基础上,建立了两种方式下声纳浮标网的发现概率计算模型,给出了评价声纳浮标网探测效能指标.最后以声纳浮标拦截阵探测为例,对基于网络中心和基于平台中心的声纳浮标网探测效能进行分析,仿真了声纳浮标布设数量与布设间距对探测效能的影响.结果表明:当声纳浮标布设数量超过一定值时,继续增加并不能使网络中心的探测效能显著增加;与平台中心探测相比,声纳浮标瞥概率为Fermi模型时,网络中心探测的优势并不显著.     

基于WSN的目标探测与分类算法

针对WSN监测系统的目标检测与分类问题,提出一种基于直觉模糊推理(IFR)的多源数据融合方法。由模糊推理的思想,设计各状态变量的属性函数。根据目标声强变化和引起的地磁场变化的模型,设计模糊推理规则,并检验了所建规则的合理性。理论分析与仿真结果的对比表明算法能准确地对目标进行分类,且运算量小,适用于计算能力较弱的WSN节点。     

SpaceWire时延抖动的仿真

SpaceWire总线是欧洲空间局为航天应用而设计的一种高速、点对点、全双工的总线网络[1]。时延抖动是表征网络传输性能的关键参数,它度量了端到端的最大传输时延和最小传输时延的差。通过建模仿真,对于某特定应用场景下的SpaceWire总线的时延抖动进行了定量分析和研究。利用Opnet建立仿真模型,通过仿真得出最大传输时延和最小传输时延,从而统计出时延抖动。并且对时延抖动进行定性定量的分析,获得对时延抖动有影响的关键参数。跟据分析结论,提出了改善时延抖动的建议和方法。本文的研究成果对于构建低时延抖动的SpaceWire总线网络提供参考。     

基于云模型空空导弹攻击区的拟合方法

利用云模型随机性和稳定性的特点,由Y条件云发生器生成交叉算子,基本云发生器产生变异算子,对传统遗传算法进行优化,提出一种基于云模型的遗传算法空空导弹可攻击区拟合的新方法。通过对某型空空导弹攻击区的拟合计算表明,该方法提高了攻击区的拟合精度,降低了拟合多项式系数的数量,减少了占用的计算机内存空间,拟合结果具有较好工程应用前景。     

基于行为建模的移动代理性能评估

针对移动代理的分布式应用性能评估需求,建立了移动代理生命周期中主要行为的网络负载模型和时间消耗模型.在3种典型分布式应用想定下,分析了基于C＼S模式和移动代理模式的应用实现基本过程,对两种模式下的网络负载和执行时间进行了仿真比较,结果证明了在访问节点数量较多,网络传输速率较低时,移动代理模式的具有更好性能.     

利用网络动力学评估复杂社会网络知识传播性能

为了对复杂社会网络知识传播性能进行评估,提出了利用复杂网络动力学和知识传播指数相结合的评估模型,该模型综合考虑了网络的拓扑特性、个人的知识普及能力和对知识的感兴趣程度,通过网络知识传播指数阈值的大小来衡量网络的知识传播性能.通过仿真发现,知识在社会网络中的传播对均匀网络平均度值和无标度网络初始传播节点度值的依赖性小,对知识传播指数的依赖性大;在相同条件限制下,无标度社会网络的知识传播性能要高于平均度值相等的均匀社会网络.     

基于信息流的中枢疲劳脑电分析

为充分利用多导脑电信息,首次提出运用有向传递函数（DTF）方法,对不同中枢疲劳状态下导联间信息流的强度和方向的变化进行分析。研究结果表明,脑电功能耦合中额一到一顶方向的信息流是大脑皮层联系的一个固有特征,可以有效地刻画安静清醒和疲劳两个状态,长时间脑力劳动任务引起中枢疲劳的增加,进而导致整个频率段占优势的信息流的方向发生了反转,信息流占优势的方向从实验前的顶一到一额方向,转变为实验后的额一到一顶方向。     

抗毁网络多拓扑路由子层的免疫优化选择算法

针对现有多拓扑路由在多故障条件下无法有效进行故障恢复的现象,根据免疫理论中抗原与抗体相匹配的原理,提出一种多拓扑路由子层选择算法.该算法以最大限度保护通信业务为目标,将多故障情形与子层相匹配的过程看作抗体与抗原相结合的过程,使子层与故障在一定范围内最大程度地相似,并利用人工免疫算法进行寻优,提高了网络抗毁性.实验结果表明,该算法可使网络在多故障条件下的恢复能力得到提高.     

通信网络拓扑可靠性的重要度熵评价方法

针对通信网络拓扑可靠性受到多因素影响的问题,提出了一种基于重要度熵的可靠性评价方法。该方法采用介数作为基础重要度指标,依据节点度、距离、最短路径等拓扑特性传播重要度影响,保证了对节点重要度的客观评价。方法选取网络重要度熵为可靠性指标,并通过边收缩将链路重要度转化为节点重要度进行评价,进而计算网络的重要度熵。最后通过仿真,验证了该评价方法的有效性。     

面向无人环境的机器人生态圈自主任务决策方法

借鉴自然界生态系统的典型特征,提出机器人生态圈概念。通过使集群机器人进行智能协同与复杂演化,涌现自我维持、自我复制与自我进化等生命特征,实现无人条件下的长期生存、繁衍与进化,并执行特定的任务。针对机器人生态圈典型任务场景的自主任务决策需求,分析不同机器学习任务决策方法的特点,建立机器人生态圈自主任务决策的决策树模型和神经网络模型。分析表明,两种模型的正确率均在80%~90%,且均具有良好的稳定性。这说明,机器人生态圈自主任务决策问题可以通过决策树、神经网络等机器学习方法来很好地加以解决,从而为面向无人化场景的任务应用提供技术支持。