航空电子多信道实时分组调度方法

 针对航空电子波分复用（WDM）网络,提出了一种新的多信道实时调度策略实时多信道加权轮转调度（RMWRR）,将多信道分成强实时信道组和尽力服务信道组,通过调整强实时信道组的权值分配和在尽力服务信道组进行权值补偿的方法,在满足强实时消息强实时约束的同时,提高了带宽利用率,可以适应动态消息的权值变化。对经过流量整形的非强实时消息,RMWRR在尽力服务信道组对其提供延迟上界。通过理论分析,推导了RMWRR的强实时调度条件和尽力服务延迟上界。仿真和算例分析验证了该调度策略的强实时约束下的低资源占用和非强实时下的低延迟特性。     

刷式封严初期使用特性的实验和数值研究

为了获得刷式封严在使用初期的泄漏特性,分别对两组实验件进行了27小时和50小时的泄漏特性实验,并利用多孔介质模型对实验结果进行了数值分析。实验表明:在使用初期,刷式封严的泄漏量与上下游的压差成正比;随着使用时间的增加,其泄漏水平逐渐降低直至最后趋于稳定。数值分析表明:在使用初期,刷丝排列由最初的疏松状态逐渐趋于紧密,并最终稳定在接近于紧密差排的状态,刷丝排列状态的变化改变了刷束的孔隙率,从而改变了刷束对流体泄漏的阻力,导致了刷式封严泄漏水平的变化。     

基于在线LS-SVM算法的变参数混沌时间序列预测

研究利用最小二乘支持向量机(LS-SVM)预测变参数混沌时间序列。变参数混沌系统适合于描述现实中的复杂混沌现象,但由于参数的慢变导致系统动力学特性不断发生变化,基于Tan-kens嵌入定理的建模预测方法难以适用,其时间序列预测可以看作是小样本学习问题。最小二乘支持向量机是在二次损失函数下采用等式约束求解问题的一种支持向量机,保留支持向量机优点同时计算量大大减少。提出用一种具有遗忘机制的最小二乘支持向量机在线递推算法,并引入历史数据的高次项预测变参数混沌时间序列。对典型变参数混沌时间序列的预测结果表明,该方法具有较高预测精度,能快速跟踪预测变参数混沌时间序列。     

飞行监控系统中基于GPU的地形渲染

利用实时遥测飞行信息生成三维虚拟地形场景,旨在飞机试飞时,增强地面指挥人员对飞机实时位置地面场景的感知能力,帮助飞行员在试飞时处理复杂多变的飞行状况。为了逼真且流畅地生成三维地形场景,首先使用固定网格映射(PGM)的方法生成地形采样网格,接着利用几何着色器为三角形面片分配连续的与视点相关的细节等级(LOD),对缓存在纹理数组中的各等级高程数据和卫星照片进行混合采样。由于细节等级是连续的,因此各级纹理和高程之间能够平滑的过渡,增加了场景的真实性。最后,考虑到显存的容量限制,引入了一种内存与显存之间的纹理调度方法。整个算法都是面向图形处理单元(GPU)实现的,能够较好地兼顾实时性和真实性,实现多分辨率大规模地形场景的实时虚拟显示。根据本文算法实现的实时监控系统在支线飞机的飞行试验中取得了较好的效果。     

非正侧视阵列机载雷达多空间角补偿算法

 非正侧阵列机载雷达的杂波分布随距离变化而变化,各距离单元的杂波分布不再满足独立同分布条件,造成统计型空时自适应处理(STAP)处理器性能下降。本文提出了一种多空间角补偿(MSAC)的非正侧视机载雷达杂波抑制方法,该方法先通过角度-多普勒补偿(ADC)预处理以消除在谱中心处的杂波非均匀,然后采用MSAC法在多个多普勒方向使参考单元和待检测单元的杂波谱保持一致,从而进一步消除在其余方位的杂波非均匀。仿真结果表明了该方法的性能明显优于ADC法,且运算量增加不多。     

战术数据链综合试验研究

战术数据链是一个传送战术信息的网络,有很强的军事用途。本文介绍了战术数据链的基本结构、时分多址组网方式以及编队通信流程,最后,对战术数据链地面综合试验程序做了较为详细的叙述。     

基于Bayes分类器的DoS／DDoS攻击防御技术

提出了一种基于贝叶斯分类算法的分布式拒绝服务攻击防御技术。利用贝叶斯分类算法来计算数据包的分值特征,按照分值表对数据包进行评分并映射成危险等级。然后对危险等级进行评估,根据不同危险等级对网络流量进行过滤。基于该防御技术,设计并实现了防御系统。通过实验分析,该系统在DoS／DDoS攻击发生时能有效区分正常流量与异常流量,从而实现对DoS／DDoS攻击进行实时防御。     

广州中信广场台风特性与结构响应的相关性分析

基于台风“达维”登陆时广州中信广场风场及结构响应的现场实测数据,对于风场特性和结构加速度响应状况进行了计算分析,计算分析结果表明,城市上空强风“达维”的湍流度比较大,在台风“达维”作用下结构的横风向响应与顺风向响应接近;同时在不同的时距条件下对风场特性与结构加速度响应的相关性进行了分析,由分析可知取3min为基本时距时风速与结构响应的相关性系数值较高,说明在确定结构的风荷载和计算结构风致响应时取基本时距为3min更为合理。     

混合神经网络和混沌理论的股票价格预测研究

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌入维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时间序列预测中有广泛的实用价值。     

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。