一种最小机械比能计算参数优化的方法

机械比能是衡量钻井效率的重要因素之一,它用来衡量钻头破碎单位体积岩石耗能大小[1]。传统的比能计算模型通过多个参数进行计算来求得比能值,较为复杂。文章通过利用比能计算模型中参数之间的关系,假设并通过Matlab拟合验证参数之间关系的函数方程,将原有的模型化简为只拥有钻压一个计算参量的新计算模型。通过求解新模型一阶导数的零点,求得最优钻压值,并以此求得最小机械比能,最终确定最佳钻井参数。     

4G通信中的关键技术之智能天线技术

4G移动通信系统是3G的演化和发展,文章介绍了移动通信3G到4G的演变和4G通信系统的优势特点,讨论了4G系统的关键技术之智能天线技术的基本思想和智能性实现算法,最后研究了4G中智能天线的设计分析、技术实现及其对4G系统的优化作用。     

不确定信息下基于拍卖算法的多无人机同时到达攻击多目标

针对不确定信息下的多无人机同时到达攻击多目标的控制策略问题,将拍卖算法和区间一致性算法相结合,提出了不确定信息下的多无人机同时到达的控制方法。首先通过拍卖算法,给出了多无人机对多目标的任务分配方法;然后定义了区间一致性算法,提出了不确定信息下的多无人机同时到达的控制方法,实现了多无人机到达多目标的时间上趋于一致;最后进行仿真,验证了该方法的可行性和有效性。     

复杂电磁环境信号分形特性验证

为了证明复杂电磁环境信号是否具有分形特征,根据分形的基本性质,采用基于数学形态学的分形维数估计方法,验证了电磁环境信号的标度不变性;通过分析长程相关性与自相似性的关系,推导Hurst指数验证分形自相似性的方法,验证电磁环境信号的自相似性;通过分析电磁环境信号局部分形特征,验证了其多重分形特性。理论分析和仿真计算结果表明,复杂电磁环境信号具有分形特征,为利用分形理论研究复杂电磁环境奠定了基础。     

基于多因子的机电设备测试性验证样本分配方案

针对目前机电设备测试性验证试验中,因样本分配不合理导致试验结论置信度低的问题,通过分析影响试验结论置信度的4个关键因素即故障模式数、故障率、故障扩散强度总和与危害度,提出了基于多因子的样本分配方案。方案依据多因子综合相对比值,得出各UUT所分配的样本量,达到优化样本结构,提高样本集代表性的目的。对单步故障扩散算法进行了改进,改进后的算法可以更有效地计算故障扩散强度,并以某机电设备稳定跟踪平台为例进行了样本分配,比较分析抽样结果证明,应用该方案得到的样本结构更加合理,可以使试验结论有较好的置信度。     

ABB自控系统和传动控制系统通讯探究

文本主要以ABB AC450控制系统作为实例,对相关的网络构建硬件配置、故障判断方法以及软件设计进行简要的介绍,并对ABB自控系统和传动控制系统的数据通讯进行分析。     

AES密钥扩展算法的研究与改进

本文由高级加密标准(AES)密钥扩展算法存在的缺点入手,在研究两种改进方案基础上,利用单向性策略和随机函数对原来两种方案从密钥抗攻击强度和程序执行效率方面分别进行改善,提高了算法安全性且未损失效率。     

FPGA在边缘检测中的应用

主要探讨FPGA在边缘检测中的运用,分析两种不同边缘检测算子对图像处理的效果。由于FPGA算法硬件处理速度快、可编程、可重配置等特性,使其在图像处理方面占有很大的优势。为此文章提出了运用FPGA实现边缘检测的方法,并且根据FPGA的并行流水线性,对Sobel、Prewitt边缘检测算子分别进行了FPGA设计与实现以及仿真,并且对两种边缘检测算子对图像处理的效果进行了比较。通过仿真分析得出,Sobel和Prewitt边缘检测算子都有平滑噪声的作用,Sobel边缘检测算子可以提供较为准确的边缘方向信息,Prewitt边缘检测算子,其边缘性较Sobel边缘检测算子完整,但它们的边缘定位精度有待提高,仿真中通过改变程序中的阈值可以得到不同的处理效果,这也是利用FPGA的优点,方便容易、速度也得到了提高,并且可编程、可重配置,使得FPGA在数字图像处理方面显得非常优越。     

基于Radix-4 Booth编码的模2n+1乘法器设计

模2n+1乘法(n=8、16)在分组密码算法中比较常见,如IDEA算法,但由于其实现逻辑复杂,往往被视为密码算法性能的瓶颈。提出了一种适用于分组密码算法运算特点的基于Radix-4 Booth编码的模2n+1乘法器实现方法,其输入/输出均无需额外的转换电路,并通过简化部分积生成、采用重新定义的3-2和4-2压缩器等措施以减少路径时延和硬件复杂度。比较其他同类设计,该方法具有较小的面积、时延,可有效提高分组密码算法的加解密性能。     

一种改进的K-Modes聚类算法

传统的K-Modes算法采用0-1简单匹配方法计算对象与类中心(Modes)之间的距离,并将每个对象分配到离它最近的类中去。采用基于频率方法重新计算各类的类中心(Modes)、定义目标函数,然而,对象的归类方法和目标函数的定义没有充分考虑分类数据的特点。对此,提出一种改进的K-Modes算法,采用期望熵最小的衡量方法进行归类,并且采用期望熵作为新的目标函数。通过实验将该算法与传统的K-Modes算法进行比较,表明该算法是更有效的。