动态构造网管中管理功能与被管对象的关联

在动态构造的网络管理中,管理功能与被管对象的关联机制是核心关键技术.这种关联机制采用被管对象集MOS(Managed Objects Sets)的思想.MOS提供对协议、设备及应用相关的被管对象的定义及描述,通过动态编译的技术生成及扩展MOS,并通过对MOS的访问实现与管理功能的关联.      

公开SAR图像目标数据集及其在深度学习中的应用综述

由于合成孔径雷达(SAR)图像可读性较差,所以对其进行目标检测与识别处理的难度也较大.近年来,随着深度学习(DL)方法的不断发展,许多学者将其引入SAR图像目标检测与识别研究中.该类方法以数据为驱动.其中,监督学习方法更以已标注的数据为基础.但是,SAR图像目标的标注通常是昂贵且耗时的.鉴于此,本文对已公开的SAR图像...     

关于正则分离性和正规分离性的几个一般性定理

针对拓扑中正则分离性和正规分离性问题，给出了几个一般性结论。首先给出了文[1]一些常见集族的某些共同性质，然后，统一处理和改进了T-分离性、S-分离性的、T^*-分离性的一些结果。最后，在文[1]基础上，进一步统一和改进了各种正则和正规空间关于拓扑性质、可积性等方面的一些结果，并给出了几个一般性定理。     

机械产品数字化定义的数据内容及其组织

机械产品采用计算机辅助设计后 ,以产品的数字化定义替代传统的蓝图 ,将面临着产品数字化定义的数据应该包括哪些内容、它的结构及其如何组织等一系列问题。本文对此作了较详细的论述。     

基于随机森林的风洞马赫数预测模型

在风洞试验中,马赫数的稳定性和快速性对风洞流场品质有着重要影响。为了实现马赫数的精确控制,必须对马赫数进行快速、准确的预测。风洞试验积累了大量数据,大数据集包含了更多的有益信息,为实现马赫数的精确预测提拱了可能性,但也增加了建模的复杂度。通常高度复杂的模型会加重其在实际使用时的计算负担。针对大数据集问题,本文将随机森林方法应用于风洞马赫数建模。随机森林是一种集成模型建模方法,它从3方面降低模型的复杂度:产生多个样本子集,减少了子模型的训练样本个数;具有并行集成结构,子模型可在不同的CPU上运行,提高了运行速度;以简单学习算法回归树作为基学习机,降低了子模型的复杂度。试验证明基于随机森林的马赫数预测模型能够有效利用试验积累的大数据,满足工程上预测速度及精度的要求。     

关于飞机数字化装配对接技术的研究

飞机部件对接技术是把构成飞机基本结构的各个部件连接在一起,形成机身、机翼或整个飞机的过程。近年来,随着数控加工技术、激光测量技术、计算机控制技术、机器人技术、计算机网络和应用集成技术的迅猛发展,飞机装配由人工装配转化为半自动化、自动化装配。     

基于优势关系粗糙集的属性约简算法

针对目前对不同信息系统下优势粗集的处理几乎都是将其划为单值完备信息系统来处理这种现象,以及基于区别矩阵和基于正域的属性约简算法是不等价的这个问题,提出了一种基于单值完备信息系统的快速属性约简算法。首先,提出了对象集约简;其次,使用基数排序思想计算;再次,结合了区别矩阵和正域约简2种算法,在大量提高算法时间复杂度的同时提高了算法的可信度;最后,采用实验验证了约简算法的实用性。     

液滴冲击移动液膜的数值研究

为了研究液滴冲击移动液膜问题,建立了三维不可压缩层流计算模型,基于耦合的水平集-流体体积法对两相界面进行追踪,探讨了液膜速度和厚度、液滴直径和速度对冲击移动液膜过程的影响。研究表明:液膜静止时,冲击结果是对称的,而液膜移动时,冲击结果变为非对称;液膜速度对冠上游生长具有增强效应,而对冠下游具有抑制作用,增加液膜速度冠的上游高度增加、下游高度减小,内径增加;液膜厚度增加,液膜与壁面的粘性损失减小,吸收冲击动能的能力增强,当无量纲液膜厚度小于1时,冠的上、下游高度均随着液膜厚度的增加而增加,否则相反;当无量纲液膜厚度小于0.5时,冠内径随着液膜厚度的增加而增加,否则反之;随液滴直径和速度的增大,冠的高度和内径均增加。     

基于水平集方法的复杂地质速度模型表达

地质速度模型表达的难点在于对复杂地质现象的精确描述和对正、反演应用的有效支持。提出了一种将速度间断面信息以隐函数的零等值面形式内嵌于速度模型的表达方法,多重拷贝策略使得相邻的速度块体互不干涉,妥善处理了在速度间断面处插值速度信息的矛盾。该表达方法适于描述复杂地质构造下的速度模型,如多值层面和具有非流形性质的断裂层面。在基于射线理论的应用中,利用符号距离场和速度间断面二叉树能迅速获得空间任意点的速度信息,检测射线与速度间断面的相交关系,并使射线在速度间断面处严格执行Snell定律,提高了射线路径的正确性。两组射线追踪的应用实例验证该表达方法的有效性。      

基于PHD未知杂波密度多机动目标跟踪

基于随机有限集（RFS）的跳变马尔可夫系统（JMS）是多机动目标跟踪的有效方法。但现有的方法假设杂波密度是先验已知的,而实际中杂波密度是未知且可能随着环境的改变而变化。针对这一问题,提出了一种适用于线性高斯模型的未知杂波密度下多机动目标跟踪算法。该算法以未知杂波密度高斯混合概率假设密度（λ-GMPHD）滤波为基础建模杂波和真实目标,采用线性高斯JMS模型描述目标机动,推导了未知杂波密度下多机动目标跟踪的GMPHD迭代解析表达式。仿真结果表明,所提算法可实现对于杂波密度以及目标数和目标状态的准确估计。