基于对偶原理的二子样划船补偿算法

划船补偿算法一般以典型划船运动为基础,利用最优化理论来进行推导.圆锥补偿算法不仅可利用最优化理论,还可利用Goodman-Robinson理论进行推导.利用对偶原理,将Goodman-Robinson理论下得到的二子样修正圆锥补偿算法推广至划船补偿算法设计中,得到一种改进的二子样划船补偿算法.在典型划船运动条件下,对得到的划船补偿算法进行了数字仿真,并与二子样优化划船补偿算法进行了对比研究.仿真结果表明,此改进二子样划船补偿算法能提高速度更新精度.     

基于预计算和周期性的ECC标量乘法算法

在研究二进制、带符号的二进制(NAF,Non-Adjacent Form)等常见标量乘法算法的基础上,结合椭圆曲线基点的周期特性和预计算倍点序列方式,提出了一种新的标量乘法算法,并给出了新算法的详细步骤.点的周期性和系数决定了直接进行标量乘法运算还是转化为求其逆元,预计算倍点序列方式避免了椭圆曲线密码体制(ECC,Elliptic Curve Cryptosystem)加解密过程中大量的重复运算.为验证算法的正确性,采用密钥长度为192 bit椭圆曲线,给出了一个具体实例.实例结果和算法分析表明:与二进制和NAF算法相比,新算法虽占用了一些存储空间,但省去了倍点运算的时间开销,同时减少了点加的运算次数,极大地提高了标量乘法运算的效率.该算法的提出对完善ECC理论和加快ECC在实际中的应用具有重要意义.      

结构光三维视觉检测中光条图像处理方法研究

在结构光视觉检测系统中,光条中心的提取精度直接影响到整个测量系统的测量精度.光条图像的处理是其中重要的一步,尤其是受到严重噪声干扰的图像.探讨了被多种噪声干扰的光条图像的处理和精确提取光条中心的方法.给出了一种消除环境干扰的滤波模板并实验验证了其滤波效果.使用这些光条图像处理方法使整个测量系统在200mm×200mm的测量范围内测量精度达到0.083mm.      

基于FGN输入流的G/D/1排队模拟

传统的排队理论不适于分析高速网络表现出的自相似流量.通过实验仿真,主要考察平均等待时间和在队列分别为无限和有限情形下的队列尾部特征等参数,并对以FGN为输入流的G/D/1排队模型作了定性分析.结果表明在输入流的强度和方差基本相等且系统利用律大于某一阈值的情况下,队列平均等待时间随Hurst参数增大而显著增长.同时指出在相同的条件下考察队列尾部特征,具有有限队列长度的G/D/1排队模拟结果要远优于无限队列长度下的理论分析结果.      

基于缓存的结构化P2P路由算法研究

P2P网络中的资源经常会被不同节点重复查找,有些热门资源被重复查找的概率更高,如何保证资源在重复查找时的效率,提高路由算法对已查找结果的自记忆能力,是一个亟待解决的问题.在分析传统的Pastry路由算法基础上,采用内容缓存机制和路径缓存机制来改善路由性能,重点研究了不同消息重复率下的路由性能.在不同节点个数和不同的消息重复率下进行大量模拟实验,结果表明改进后的路由算法随着消息重复率的升高,算法的路由性能明显改善.     

基于混合蚁群算法的柔性模糊车间作业调度

采用蚁群算法作为全局搜索算法,提出一种混合搜索策略,用于求解柔性模糊Job Shop调度问题.根据模糊Job Shop调度问题解的特性,提出基于     

风险驱动的安全关键实时任务调度

安全关键系统面临着日趋严峻的安全威胁,如何降低安全关键实时应用的风险成为挑战。通过结合风险评估与实时调度,给出一种风险驱动的任务调度方案。在分析非周期实时任务可调度性的基础上,提出一种基于处理器瞬态利用率、系统安全风险最小的在线调度近似算法。在不违背关键任务的时间约束和安全约束的前提下,该算法能够在低时间复杂度内得到安全性能确保的次优解。实验结果显示所提算法能明显降低安全关键实时应用的风险。具体来讲,最大安全风险可降低22.2%,并且在安全风险近似率上界为110%情况下,真实近似率最小为102.4%。     

基于单天线GPS的伪姿态测量算法研究

介绍了根据单天线GPS速度测量值测定载体伪姿态的基本算法原理,建立了卡尔曼滤波方程,改进了伪航向角的计算和卡尔曼滤波模型,并进行了算法仿真。结果表明,在载体进行中高速飞行时,单天线测姿算法具有较高的精度,基本满足常规姿态测量要求。     

基于GA-BP贝叶斯算法的可靠性分析近似模型

研究了GA-BP(Genetic Algorithm-Backpropagation)贝叶斯算法在可靠性仿真中的应用.GA-BP贝叶斯算法是一种新型前馈神经网络训练算法,它建立在遗传算法(GA)、L-M(Levenberg-Marquardt) BP算法以及贝叶斯方法这三者的基础上.由于该算法的训练目标是获取对应于后验分布最大值的权值向量,并且在搜索过程中融入了遗传算法,因此能够使前馈神经网络具有更佳、更稳定的泛化性能.在可靠性仿真中,采用GA-BP贝叶斯算法来构造前馈神经网络近似模型,再用它来替代复杂费时的数值仿真程序进行Monte Carlo模拟,就能够在计算成本得到有效控制的同时获取随机输出变量的概率分布情况.     

适用于连续数值标签的兴趣漂移增量学习方法

针对现有兴趣漂移增量学习方法大多针对包含二值数据标签的用户反馈进行学习的不足,提出了一种适用于连续数值标签反馈的兴趣漂移增量学习方法,以或然概念集的形式描述用户兴趣,将用户反馈中包含的数据标签视为用户对该实例的喜好概率,并采用基于指数近度加权平均的方法对兴趣模型进行增量学习.在不同学习任务下的实验结果表明,该方法能够在反馈数据标签为连续数值的条件下达到比现有方法更好的学习效果.