一种云格环境下可计算资源与服务高效调配机制

为实现海量大数据的高效访问与处理,在资源与服务发现的基础上,探讨了一种云格环境下使用网络距离预测的方法来完成计算资源服务节点的选择机制.并从提高系统性能的角度,针对用户偏好,提出了一种可计算资源与服务的高效调配模型,来实现密集型数据的高性能计算;最后实验验证了本调配模型具有的可行性与针对性.     

分布式系统调试器IVD的系统实现

介绍了一个自主式智能车辆AIV系统的分布式系统测试床IVD系统.首先讨论了IVD系统的设计目标,然后在介绍AIV结构的基础上,详细地分析了IVD系统,按实时在线调试和离线重放两种情况进行一一讨论.该系统已在智能车辆AIV系统开发及调试实验中得到应用,实验结果验证了该系统是进行在线实时观察,离线分析问题的强有力的工具.     

一种基于移动预测的无线传感器网络动态拓扑管理机制

拓扑管理是节省无线传感器网络能量消耗的主要方法之一.通常采用的拓扑管理是静态的.即在整个网络范围内通过定期让冗余节点休眠来节能.但在诸如移动目标定位跟踪的应用场景中.静态拓扑管理会造成较大的能量消耗的浪费.提出一种动态拓扑管理机制,利用移动预测技术在移动目标的附近动态构造拓扑管理区域,并只在该区域内实施拓扑管理,而让区域之外的大部分节点休眠.分析了动态拓扑管理的性能并通过仿真比较了动态拓扑管理与其他相关机制的能量消耗.     

基于无线传感器网络的环境监测系统

针对当前城市环境保护与在线监测的需要，提出了一种利用具有自组织特性的无线传感器网络（wireless sensor networks, WSN）对温度、湿度和噪声等环境变量进行在线监测的方法．该方法采用了对等式网络体系结构、低功耗微小网络节点、基于拓扑树的网络初始化配置算法以及基于地理位置特性的路由算法，不仅解决了传统监测方法中网络布线复杂、精度有限的问题，而且具有实时性和容错性强等特点．仿真结果表明，在1000个节点、通信距离为100m的条件下，监测数据延迟时间〈600ms，较好地满足了实时环境监测的要求。     

WSNs中基于Chebyshev多项式的可认证密钥协商方案

无线传感器网络中节点之间的通信在整个网络中有着重要地位,其安全性也逐渐受到关注.本文基于Chebyshev多项式提出了一种节点之间可认证的非对称密钥协商方案,利用Chebyshev多项式的半群特性和计算上的单向性设计会话密钥机制完成节点之间的认证功能,分析结果表明本文方案可以抵御无线传感网中的典型攻击.     

云环境下基于Entropy-KNN算法的节点选择策略

为满足大数据高效处理与节省成本的需求,针对云计算网络可计算节点资源的多维属性特点,提出了一种面向云计算的多属性Entropy-KNN层次聚类算法的节点选择策略.在节点资源动态描述机制的基础上,借助P2P动态路由完成节点资源的信息交换与实时更新,通过属性信息熵及相似度距离的计算,首先对已知节点按属性进行多次聚类,获得给定阈值的子类;接着选取距离较小的K个近邻节点为候选节点,根据分类与可信度的验证,最终选取与需求节点间相似度距离较小的节点作为候选节点.结果表明,该算法在一定程度上提升了计算节点的定位准确率,同时也能进一步提高大数据的处理效率.     

一种无密钥托管的移动IPv6网络匿名密钥分发协议

针对基于身份的密码体制IBE中固有的密钥托管问题,本文提出了一个移动IPv6网络环境中的无密钥托管匿名密钥生成机制与分发协议.该机制将节点身份认证和密钥生成与分发这两个过程分离,利用不可区分性匿名密文安全性在PKG不知道节点地址的情况下分发私钥给经过身份认证的节点,使得私钥生成中心或认证中心即使被单独攻破,攻击者也无法实现身份碰撞.可将身份认证中心部署于家乡服务器,而将PKG离线部署.经安全性分析,协议有效解决了移动IPv6网络中基于身份密码体制的密钥托管问题.     

车用锂离子动力电池SOC时间序列的BP神经网络预测模型

由于车用锂离子动力电池系统具有高度复杂的非线性特性,很难建立准确的电路模型对荷电状态(State of Charge,SOC)进行实时在线获取。为此本文在分析并判别锂离子动力电池系统的混沌特性基础上,建立SOC时间序列的BP神经网络预测模型,并与二阶RC网络模型构成闭环控制系统。仿真结果表明,由二阶RC网络模型与BP神经网络模型构成的闭环控制系统具有较高的预测精度,较好的实时性及实际应用前景。     

预知两种信息的两台并行处理器半在线调度

在调度理论中,问题常常被分为"在线"和"离线"两类,但在实际生产生活中,情况经常介于两者之间,即预先知道任务的部分信息,人们希望通过这些附加的部分信息改进算法的性能,此类问题即为"半在线"问题.文章讨论了经典并行处理器调度的两个半在线问题,目标为极大化处理器最早完工时间.对已知所有任务总加工时间和最大任务加工时间的半在线问题,给出了竞争比为4/5的最优半在线算法;对已知所有任务总加工时间,并且任务按加工时间非增顺序到达的半在线问题,给出了竞争比为8/9的最优半在线算法.从结果可以看出,预知两种信息比只知道一种信息的情况能更有效地解决问题.     

基于簇的无线传感器网络密钥预分配方案

通过把网络划分为多个六边形区域,每个节点预先存储多个子密钥空间中的密钥信息,采用基于组的部署方式,提出了一种新的基于分簇结构的无线传感器网络密钥预分配方案.该方案能够动态更新节点的密钥,从而解决了由于节点被捕获所导致的密钥连通性下降和密钥更新通信开销大等问题.性能分析和仿真结果表明,与现有的密钥预分配方案相比,该方案可以确保任意两个相邻节点之间都能够建立一个惟一的对密钥,节点所需的密钥存储空问减少,密钥建立和更新所需的通信开销很小,网络的抗攻击能力得到较大提高.     

高阶常微分方程的动态演化建模

提出了采用高阶常微分方程模型代替传统时序分析中所用的ARMA模型来实现一维时间序列的建模和预报．设计的将遗传程序设计与遗传算法相嵌套的动态演化建模算法,用遗传程序设计优化模型结构,以遗传算法优化模型参数,边收集数据边建模边预报,首次成功地实现了时间序列实时预报的程序自动化．两个时间序列的应用实例表明采用此算法可获得较好的实时预报效果．     

面向高级定制的个性化虚拟服装展示

虚拟服装展示为线下服装订货会和时装秀提供了线上解决方案,打破了空间的局限性,为企业和用户提供更方便、有效的服装试穿新方式。针对现有的大多数虚拟试衣系统存在体形尺寸和展示效果单一、无法满足高级定制用户个性化精细要求的问题,研发了一个基于服装自适应变形的个性化虚拟服装展示系统。首先,建立基于人体体形参数的三维人体重建框架;然后,采用混合蒙皮算法建立人体模型顶点和三维服装顶点的联系;最后,对对偶四元数进行插值,实现人体变形驱动服装变形,完成服装的自适应调整。并基于Unity平台开发了一款面向高级定制的虚拟服装展示系统,以检验相关算法的应用效果。     

移动互联背景下校园卡支付体系设计与实践

针对现有校园卡在脱机和写卡时存在的消费安全隐患,结合互联网技术发展及移动支付应用需求,在分析卡片发展历程的基础上,提出校园卡第3阶段发展概念：即在线化、无卡化、移动化、多介质化;架构适应发展需求的校园卡在线支付体系,建立基于云架构云服务的支付平台和虚拟服务大厅,设计网络、数据、安全和应急响应等保障措施,依托在线账户、二维码、移动终端,实现校园卡支付服务的移动化和自助化.     

基于混沌时间序列的非线性动态系统神经网络建模与预测

在分析神经网络非线性建模原理的基础上，以典型的非线性差分方程为研究对象，提出了一类基于神经网络的非线性动态系统建模方法．针对传统BP算法的局限性，提出了一种非线性动态系统神经网络改善梯度估计精度的新算法．并以上证综合指数时间序列为研究对象，运用本文提出的建模方法和算法，进行了我国资本市场混沌时间序列预测研究的实例分析，得到的单步预测上证综合指数误差很小(-100～100)；多步预测在最初的10步之内预测效果较为理想，而在此之后的预测值则严重偏离真实值．这与混沌时间序列特性相吻合，同时也证明了所用算法的有效性．     

高等院校教学改革支持系统SD因果关系图的构建与应用

通过对市场经济条件下高等院校教学改革支持系统的分析,运用作者提出的关键变量入树建模法,结合对系统各变量问关系的分析,构建了高等院校教学改革支持系统的SD因果关系图模型,并运用反馈环分析和系统基模分析的方法,提出了促进高等院校教学改革的管理策略。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于改进卷积神经网络的数控机床旋转轴热误差建模方法

为对五轴数控机床旋转轴的热误差进行更精确地预测,解决变工况条件下预测精度不佳与热误差数据获取困难的问题,提出了基于改进卷积神经网络的热误差建模方法.采用激光干涉仪与热成像仪采集不同温度下的角度定位误差与热图像,对热误差进行傅里叶函数拟合,将预测目标由不同角度下的热误差转变为拟合函数参数.在VGG网络模型架构上,引入SKNet注意力机制,以提高模型对变工况下的热图像特征提取水平,并采用全局平均池化代替全连接层,以改善过拟合情况.将建立的模型用于热误差预测,结果表明,旋转轴热误差预测RMSE在升温状态下为8.36″,降温条件下为9.57″,预测精度达90%以上,优于普通卷积神经网络模型.结果证实了所提方法在旋转轴热误差建模中的有效性.     

基于人工神经网络的区域经济子系统可持续发展指标预测研究

可持续发展系统是“黑箱”,至少是“灰箱”,各因素是间否存在因果关系还十分清楚,人工神经网络可以较为逼真地模拟该系统,本文以人工神经网络BP模型为工具,借助Matlab语言对区域可持续发展经济子系统指标进行预测研究,通过数据采集、网络结构模型设计、程序设计、网络训练等给出指标预测图并进行分析,最后提出建议,结果表明,用人工神经网络来模拟持续发展经济子系统是可行的。