基于模板数据库的工程CAD拓扑建模方法

应用模板数据库的方法,进行工程CAD管网拓扑建模.通过将工程对象抽象为很多具有各自特征的拓扑结构模板,建立拓扑模板数据库.在模板数据库基础上设计了一种松耦合的3层体系结构的工程CAD管网建模系统.此体系结构包括:用户层、库管理层、数据层.库管理层能够对拓扑模板进行方便快捷的管理、扩展,从而可以高效地建立和维护管网模型的拓扑结构;数据层提供统一的数据接口,使得不同领域之间可以共享拓扑模板数据.系统的层次结构分明,系统模块之间的依赖关系低,并且易于实现.采用本系统能够大大提高管网模型的建模效率和兼容性.     

基于光谱特征的自适应子空间波段选择方法

针对现有波段选择方法无法依据感兴趣地物划分数据子空间及子空间划分容易受背景地物影响等问题,提出一种基于光谱特征的自适应子空间波段选择方法.利用感兴趣地物的光谱曲线,建立光谱自适应因子(SAF,Spectral Adaptive Factor);通过聚类划分子空间,在每个子空间内,利用J-M距离筛选类别可分性最大波段作为子空间最优波段,从而得到整个数据空间的最佳波段组合.利用AOTF (Acousto-Optic Tunable Filter)成像光谱仪数据与波段指数(BI,Band Index)和基于类间可分性最佳波段选择两种方法比较,SAF方法选择的最佳波段组合,包含信息量丰富,地物之间差异较大,且地物平均J-M距离大于另外两种方法.用最大似然法(maximum likelihood)对最佳波段组合进行分类,总体分类精度为96.8％,Kappa系数为0.894.结果验证了SAF方法的有效性和实用性.     

基于光谱特征的自适应子空间波段选择方法

针对现有波段选择方法无法依据感兴趣地物划分数据子空间及子空间划分容易受背景地物影响等问题,提出一种基于光谱特征的自适应子空间波段选择方法.利用感兴趣地物的光谱曲线,建立光谱自适应因子(SAF,Spectral Adaptive Factor);通过聚类划分子空间,在每个子空间内,利用J-M距离筛选类别可分性最大波段作为子空间最优波段,从而得到整个数据空间的最佳波段组合.利用AOTF (Acousto-Optic Tunable Filter)成像光谱仪数据与波段指数(BI,Band Index)和基于类间可分性最佳波段选择两种方法比较,SAF方法选择的最佳波段组合,包含信息量丰富,地物之间差异较大,且地物平均J-M距离大于另外两种方法.用最大似然法(maximum likelihood)对最佳波段组合进行分类,总体分类精度为96.8%,Kappa系数为0.894.结果验证了SAF方法的有效性和实用性.     

基于博弈交叉效率DEA的装备设计方案评审

基于数据包络分析构建了可以处理效益型、成本型和固定型3种类型指标的多属性综合评价方法.通过引入交叉效率以使评价对象自评与互评相结合,解决了数据包络分析用于多属性综合评价时评价标准不一致的问题;在此基础上,通过引入博弈交叉效率,采取在其它评价对象提升自身效率的同时,被评对象也不断改善效率的策略,弥补了数据包络分析用于多属性综合评价时评价结果不唯一的缺陷,并提升了评价结果的区分度和合理性.通过算例对该方法进行了验证,并将该方法应用于装备设计方案评审,结果表明其能够较好的解决方案的评价排序和择优问题.     

基于核方法的聚类算法及其应用

在分析核方法的核心概念基础上,提出了一种基于核方法的聚类算法.通常,传统聚类算法只在数据特征差异较大时才有效,当数据特征差异较小时,很难取得较好的聚类效果.引入核函数,将原始数据由数据空间映射到特征空间,在特征空间中进行聚类.核函数的非线性映射使得原始数据的特征更完整地显现出来,从而能够更客观准确地聚类.与传统聚类方法相比,该方法聚类结果更客观有效.以16组实际数据为例,将该方法应用于数据分类研究中,聚类结果表明了该方法的可行性和有效性,从而为数据分类提供了一种新的可行方法.      

基于信息模型的测试性试验样本集充分性研究

建立了产品的故障模式信息模型,包括产品的故障模式、结构单元、功能和测试数据以及这些数据之间的映射关系.根据该信息模型,定义了三种故障模式等价集合,即故障模式单元等价集合、故障模式功能等价集合、故障模式测试等价集合.在这些等价集合的基础上,建立了测试性试验中样本集的三种典型充分性度量和准则,即单元覆盖充分性度量和准则、功能覆盖充分性度量和准则、测试覆盖充分性度量和准则.分析了典型充分性度量和准则的适用范围,并建立了综合充分性度量和准则.使用综合充分性度量可以评价样本集的充分程度,使用综合充分性准则可以确定样本集的构成要求.建立了综合充分性度量和准则的应用方法和流程.通过实例验证了该方法的可行性.     

测量中单输入单输出线性系统动态数学模型定阶方法的仿真研究

针对测量中单输入单输出线性系统的动态建模问题,通过计算机数字仿真,对现有的几种定阶方法进行了研究、分析,比较了它们在不同信噪比、不同数据长度、不同模型情况下模型定阶的可靠性、等价性和选择原则,并得到了一些重要的结论。     

Bezdek型模糊属性C均值聚类算法

推广了属性均值聚类算法,提出了基于模糊度m的Bezdek型模糊属性C均值聚类算法(FAMC),给出了FAMC算法的迭代算法,并讨论了模糊度m对算法收敛性的影响.在标准Iris数据集与肿瘤基因芯片表达数据的模式识别实验结果,验证了该算法优于模糊C均值算法和属性均值聚类算法.      

开源软件定制改造过程中的原型选择

在定制改造开发过程中选择合适的原型系统,可以达到提高定制改造过程效率、减少开发成本、缩短开发周期的目的.在定制改造过程的原型分析和评估中依托构造成本模型COCOMO(COstructive COst MOdel) II,提出一种新的软件成本评估方法,综合分析了影响定制改造过程的功能差异、性能、规模、稳定性等关键因素,量化了这些关键因素对定制改造过程中成本计算公式中的关键变量——等价代码——的影响.实际的项目显示,该方法对预期工作量的估计误差约为17%,远小于COCOMO II模型40%的可接受阈值.      

一种频繁复合项目集的混合求解方法

关联规则挖掘的关键在于频繁项目集的求解,为了能够在含有数值类型数据的交易数据库中快速求解含有多值的频繁项目集,拓展了含有多种数值的交易数据库定义.在此基础上,根据树的思想,建立含有交易项和交易数量的树,并结合Apriori算法和智能搜索,提出在各个较小的树枝路径中求解频繁项目集求解方法FABCTA(Fast Algorithm ByCandidate Transaction Tree and Apriori).通过采用真实数据实验对比,FABCTA效率明显优于Apriori算法.      

基于无关变量分离的EFSM测试数据进化生成

扩展有限状态机（EFSM）相比于有限状态机（FSM）能够更加精确地刻画系统的动态行为,因而广泛作为各种控制流与数据流系统的测试模型。在EFSM模型的测试中,使用搜索的方法获得触发目标测试路径的测试数据是近年来的一个研究热点。为进一步提高搜索效率,在遗传算法（GA）的基础上提出一种自动分离测试路径中无关输入变量的方法,该方法通过分析模型中变量与迁移间的关系,判定不影响子路径中谓词条件的无关输入变量,进而从个体中将其分离以实现搜索空间的自动缩减,提升测试数据生成效率。对几种具有不同复杂度的基准EFSM模型进行实验后的结果表明,该方法生成有效测试数据的成功率均达到98.2%以上,且与未分离输入变量的遗传算法相比,所需平均迭代次数减少44.7%~85.9%,平均运行时间减少24.1%~85.5%。      

飞控系统虚拟设计环境

开展面向设计的飞控系统虚拟原型机开发环境研究,提出了飞控系统虚拟设计环境的3层次结构:第1层为运行管理层,以数据库为基础,其核心为PDM(产品数据管理)软件.第2层为虚拟技术层,提供余度飞控计算机、舵回路、传感器等的虚拟原型的生成.第3层为仿真支持层,支持人在回路的仿真验证.分析了实现每层功能的关键技术,并基于该虚拟设计环境,完成了虚拟四余度飞控计算机的设计和验证,使该开发环境具有面向主要结构参数、性能参数、价格参数的虚拟余度飞控计算机系统生成功能.     

基于前缀树的数据流容错概要结构构造

应用于数据流环境的数据挖掘算法应首要考虑算法的时空复杂性,而要实现消耗巨大计算资源的容错模式挖掘则更要专注于算法的效率.容错模式挖掘是为了从被噪声干扰的真实世界数据中获取允许一定程度错配的、更加泛化的有用知识.提出一种新的单遍历、高压缩的容错前缀树形概要结构DSFT-tree(Data Stream Fault-Tolerant Frequent Pattern Tree),用来捕捉最近到达的数据流中的数据元素,并且能够高效移除过期数据,实现最大限度地降低计算资源消耗.利用滑动窗指针和位向量表达法实现容错树形概要结构的高效重构,并进一步基于滑动窗口技术实现了数据流环境下的容错频繁项挖掘.实验采用IBM数据发生器产生事务数据,在合理时间内最终挖掘频繁项的数量为FP-stream算法的1.5倍.      

IDSS中数据仓库和数据挖掘的研究与实现

讨论了数据仓库、数据库知识发现和分布式对象的概念和技术,提出了一种集成化的IDSS(Intelligence Decision Support Systems)的开发环境,将传统的DSS四库结构与数据仓库相结合,把数据挖掘作为一种特殊的模型应用于数据库中的知识发现.同时,在系统实现上采用分布式对象技术,实现接口规范和应用程序相分离.最后进一步对数据仓库的设计与实现及数据库知识发现的设计与实现进行了介绍.     

基于多最小支持度的加权关联规则挖掘算法

针对交易数据库中数据项重要性不同的现象,提出了新的加权关联规则模型,并基于该模型设计了一个基于多最小支持度的加权关联规则挖掘新算法,允许用户设定多个最小支持度,为数据项设置不同的权重,从而解决数据项的重要性各不相同且出现频率不均匀的问题,发现更多有趣的规则.理论证明了相关性质,并实验验证了算法的有效性.      

面向航天器综合测试系统的Web缓存替换策略

航天器一般为复杂系统,其作为典型安全苛刻系统,在综合测试过程中会产生大量测试数据。在查询这些测试数据时,现有的B/S数据查询技术,每次查询时采用从数据库服务器中获取数据的方式,极大地消耗了数据库服务器的资源,占用了大量的网络带宽,导致系统的整体性能下降,用户体验不佳。通过对安全苛刻系统综合测试数据特点和用户查询特征的分析,基于经典Web缓存替换算法GDSF,提出一种适用于B/S数据查询系统的Web缓存替换算法GDSF-STW。该算法是在GDSF算法的基础上,引入了数据流挖掘中的时间衰减模型,并采用滑动时间窗口的思想,提高缓存命中率,从而提高系统的性能,改善用户体验。通过GDSF-STW与LRU、LFU、LFU-DA、GDSF等经典算法进行实验对比,结果表明,GDSF-STW算法具有更好的缓存命中率。      

一种面向工业互联网的云存储方法

工业互联网是工业信息化进程中最受关注的热点,海量异构数据管理是其中的重点之一。传统的关系数据库（RDB）对海量多源异构数据的读写和检索都存在性能瓶颈,而近年来兴起的云数据管理方法主要是针对“键-值”（K-V）模式,无法依靠主键以外的数据属性对数据进行快速查找。提出了一种面向工业互联网的云存储方法——StoreCDB,在异构采样数据统一表达数据模型基础上,实现非结构化存储管理,同时,利用两级索引实现海量数据的快速检索。通过实验,在分布式集群实验平台上,采用海量高铁列车运行模拟数据,验证了StoreCDB具有良好的异构数据存储和检索性能,为工业互联网提供了一种新的数据管理方法。      

结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络（SOM）优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。