一种支持QoS的航空自组织网络无反馈MAC协议建模

针对航空自组织网络的高动态特性和对高优先级业务的服务质量(QoS)要求,提出了一种无反馈介质访问控制(MAC)协议建模方法及相应的阈值设置方法,以保证高优先级数据分组的时效性及可靠性。首先,对数据分组在接收端碰撞建立时间约束模型,得到信道统计结果与分组成功概率的映射关系;然后,根据不同业务的QoS要求设置接入阈值;最后,实现对不同优先级业务的接入控制。仿真结果表明,在典型空域网络场景下,基于该建模方法的无反馈MAC协议可以为高优先级业务提供QoS保证,即分组成功概率大于99%,端到端延时小于1 ms。      

蜂群无人机自组网多优先级自适应退避算法

针对现有媒质接入控制（MAC）协议退避算法无法为蜂群无人机自组网（FANETs）提供区分服务,且在重负载时性能严重恶化等问题,提出一种多优先级自适应退避算法。采用忙闲因子自适应机制和最优竞争窗自适应机制,根据信道忙闲程度和网络状态参数自适应实时更新各优先级竞争窗口（CW）长度,从而使每次退避的竞争窗口可快速收敛到最佳状态,并实现了多业务区分服务,得到了最优的系统性能。通过建立不同优先级退避过程的三维Markov链模型求解得到了饱和吞吐量下的最优竞争窗自适应因子,并且理论推导了系统吞吐量和平均MAC时延的数学表达式。仿真结果表明,所提算法在重负载时能够实现多优先级区分服务并有效提高系统的吞吐量性能,相比区分业务优先级的自适应退避（PAB）算法和支持QoS的自适应竞争窗口退避算法（Q-ABACW）,性能均有较大提升。      

基于机会策略的多态系统视情更换决策

针对部件间存在性能相关性和经济相关性的多态系统,提出了基于机会策略的多态系统视情更换维修决策方法。采用Markov模型描述部件的衰退过程,利用通用生成函数对系统的可靠性指标进行分析,以机会策略为基础,从"部件级更换的角度"出发,提出了一种新的多态系统视情更换维修决策方法,确保系统在有限服役期内,获得最大经济效益。并以某雷达功率放大系统的更换维修决策为例进行分析,该方法在考虑部件间经济相关性的同时,一定程度上减少了总的维修次数,提高了装备系统的战场保障能力,具有很强的通用性和工程应用价值。     

FC互连的可靠性建模

对于光纤通道 (FC)互连的可靠性计算问题,从FC的基本模型出发,提出了基于任务的系统可靠性分析方法,建立了FC互连系统的可靠性模型,并给出了系统可靠度矩阵的表达形式.针对FC互连3种基本拓扑结构:点到点、仲裁环和交换网络,根据可靠性模型直接给出了表达式;针对FC组合拓扑结构连通性的特点,在可靠性模型中引入桥端口的概念,给出了组合拓扑结构互连可靠性模型的表示方法;针对FC协议中的交换网络和仲裁环组合拓扑结构互连给出了建模实例,通过分析桥端口对任务路径的影响,得到了桥端口对于FC互连可靠性影响最大的结论.基于任务的可靠性建模和计算方法在航电系统设计阶段对于任务划分和拓扑选择都将起到指导作用.     

网络安全投资外部性及博弈策略

在企业投资成本和投资利润不同的情况下,应用博弈论理论计算了网络安全投资过程中,由于病毒传染所带来的投资负外部性,提出了信息安全的投资博弈模型.确定了相互依赖前提下企业的投资成本临界点及其影响因素,以及多个企业进行信息安全投资的多个纳什均衡解.同时将问题扩展到风险内生的条件下,阐明该条件下企业投资成本临界点的变化不仅取决于相互传染的可能性大小,还取决于内生外部性的正负及其绝对值大小.该方法为信息安全的风险管理提供了新的思路,为企业确定自身的投资策略以及国家确定相应的政策指导提供依据.      

人工神经网络在电解加工阴极设计中的应用研究

将人工神经网络分析方法应用于电解阴极设计中，将工件曲线和ｃｏｓθ法求得的初始表极曲线构成的加工间隙用简单三角莆单元进行网格剖分，然后以神经单元取代有限元单元和节点，用人工神经网络求解描述极间电位分布的拉普拉斯方程。采用逐层求解电位分布和将电位误差转换为位置误差的方法，实现由工件形状直接设计电解加工阴极。     

基于遗传算法整定的PID网络流量控制

结合经典控制理论和优化控制理论设计了基于遗传算法的线性PID控制器,并与经典的PID控制器进行了比较．此控制器较好地控制了交换机缓冲器的队列长度,动态性能明显优于一般PID控制器．并得到了仿真结果的验证．     

飞行航迹动态逆跟踪控制的神经网络方法

针对用动态逆方法设计飞行控制系统在极慢模态设计中所遇到的完全非线性问题，以及飞行器在执行低空突防任务时所面临的程度无法精确控制的条件，提出了一种以前向神经网络为核心的解决方案。文中给出了神经网络的拓扑结构、样本采集方法以及动态逆控制器的构造方法，仿结果表明，该方案具有良好的指令跟踪能力。     

基于径向基函数神经网络的模型跟随自修复控制

提出一种基于径向基函数神经网络的模型跟随非线性自修复控制方法。该方法可不必精确已知故障的位置及程度,即可重构控制律使系统在故障情况下的输出精确跟踪期望参考模型的输出,并采用神经网络控制器以补偿邦联引起的非线性因素的影响。