基于编辑距离相似度的文本校验技术研究与应用

树形结构的文本配置在分布式的测控数据处理软件中使用广泛,它的正确性对数据处理而言至关重要。为了实现树形结构的文本配置自动检查和纠错,通过引入LD(Levenshtein Distance)编辑距离算法,把字符串的编辑操作推广到多叉树之间。在此基础上定义了多叉树之间的编辑距离,建立了衡量多叉树之间相似度的方法,设计了基于模糊匹配的文本配置自动校对流程,解决了精确匹配时由字符的多义性导致的查全率失真和误判的问题。根据实验结果,查全率和查准率分别达到了87.5%和100%,有效提高了基于树形结构的文本配置自动校验时的可靠性。     

基于航迹片段树的快速四维航迹规划方法

为消除起飞时间误差以及飞行过程中各种干扰对无人飞行器到达指定地点时间的影响,提出了一种基于航迹片段树的快速四维航迹规划方法.结合现代无人飞行器特点,利用改进的稀疏A*算法,生成遍布规划空间的航迹片段树,根据指定目标位置直接从航迹片段树中寻求最优叶节点,通过回溯及速度优化设置,快速获得能消除各种时间误差的飞行航迹.试验结果表明,本算法能快速完成四维航迹规划,满足飞行器按指定时间达到指定地点的要求.     

航天器真空热试验人员窒息预想事故的事故树分析

事故树分析法具有逻辑性强、形象化的特点,将安全事故与原因用逻辑树图的方式表现出来,能够系统分析安全事故产生的原因,明确安全管理工作的重点。文章对航天器真空热试验人员窒息预想事故进行了事故树分析,分析了导致事故发生的基本事件,求取了最小割集、最小径集,并对基本事件进行了结构重要度分析,根据分析结果提出了安全预防措施的建议。     

基于3星子集的GPS快速选星算法

针对高精度GPS导航系统中,空间星座数量变化时由星座选择带来的运算量较大的问题,利用 Sherman Morrison 矩阵求逆引理,推导得到GDOP（Geometric Dilution of Precision）值的增量递推计算公式。 在此基础上提出一种基于由3颗GPS卫星组成“3星子集”的快速选星算法,并利用LLRB树（Left Leaning Red Black Tree）的存储搜索策略辅助快速产生最佳4星组合。相对于传统GDOP选星法,在可视星卫星数增加时,浮点数运算量（FLOPs）可减少将近一半;当可视卫星数减少时,FLOPs可降低到接近为0。实际试验结果表明,3星子集选星方法可以有效降低星座突变时由星座选择带来的时间消耗,提高星座更新的实时性。     

考虑时间因素的敏捷自主航天器四维姿态运动规划方法研究

为解决敏捷自主航天器在轨灵巧、精确姿态运动问题,针对复杂空间环境与其自身运动特点,提出了基于改进的快速搜索随机树的四维姿态运动规划方法。仿真算例检验了该规划方法的有效性,结果表明它不仅满足敏捷自主航天器在一定约束条件下指定时间到达指定地点的四维运动要求,而且对四维姿态运动离线与在线规划两种模式也具备较强的适应性。     

考虑时间状态的敏捷自主在轨服务航天器高维运动规划研究

针对敏捷自主在轨服务航天器自身和所在复杂空间环境等特点,研究其在轨灵巧、精确服务的运动规划问题,提出了以平动、转动和时间为状态的改进的快速搜索随机树高维运动规划方法。仿真算例检验了该规划方法的有效性,结果表明它不仅满足敏捷自主在轨服务航天器在一定约束条件下按照指定时间到达指定地点的高维运动要求,而且对离线与在线规划两种模式也具备较强的适应性。
     

只含有一个非平凡块连通图的计数

利用组合理论和图的计数理论,讨论了只含有一个非平凡块的连通图的计数问题,给出了新的结论。     

树/栅格波形压缩系统的设计方法

本文介绍一种用于低比特率(1比特/样本)的波形压缩系统的设计方法。根据树/栅格编码原理,着重探讨了寻求最优字母表的迭代原理。根据计算机模拟结果,得出了对无记忆信源、相关信源的压缩性能,从而证明了:向量量化压缩方法比传统的预测变换压缩算法有独到的优越性。     

一种基于DOM树的XML数据频繁模式挖掘算法

由于XM L数据具有半结构化特性,使得面向XM L数据的数据挖掘不同于面向关系数据库的数据挖掘,它具有更复杂的层次结构。研究基于DOM树的XM L数据频繁模式挖掘算法,提出面向XM L数据的频繁模式增量式挖掘算法F reqtT ree。该算法首先将XM L数据转化成DOM树,然后从DOM树挖掘所有频繁模式。F reqtT ree算法采用最右扩展技术,只在树的最右分支上增加新结点生成新树。同时充分利用已生成的频繁模式信息,使得产生的候选模式数量较少。F reqtT ree算法利用频繁k-1模式的支持数计算候选k模式的支持数,该算法只对DOM树遍历一次,具有较高的效率。采用多组数据对此算法的性能进行检验,并与其他算法作对比实验,实验结果表明该算法高效可行。     

基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测

提出一个新的基于集成学习的预测器(TargetPCM),对蛋白质接触图(特别是中长程)进行高精度的预测。首先,TargetPCM使用加权朴素贝叶斯分类器(Weighted Nave Bayes classifier,WNBC)融合3个接触图预测器的输出,其中WNBC中的权重参数通过粒子群算法优化得到;其次,将WNBC融合后的输出和基于序列的特征进行组合,得到更具鉴别能力的特征;在此基础上,应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性,在包含98个非冗余蛋白质的数据集上进行了测试。结果表明:对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的集成预测器(NeBcon)分别提高了8.2%,16.1%和5.3%。在CASP11上进一步的验证表明,对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器(MetaPSICOV)分别提高了7.4%,9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。