面向高速动车组列车的协同仿真平台

高速动车组列车是一种典型的复杂产品,可以通过协同仿真的方法对其设计、优化问题提供支持。开发了面向高速动车组列车的协同仿真平台。该平台包括自主开发的TH_RTI,针对不同仿真模型的适配器和支持仿真建模和运行的辅助工具集。TH_RTI按照IEEE1516标准开发,能够支持联邦成员之间的互操作,同时具有跨平台能力;适配器包括针对Fortran、Matlab和Adams模型的三种,能够支持仿真模型与TH_RTI的集成;辅助工具集包括联邦成员代码框架生成工具、运行管理控制工具和数据采集器。经过高速动车组列车的实例验证,协同仿真平台能够满足多学科、多节点的仿真需求,有效促进了动车组的设计、优化。     

无线传感器网络节点随机调度算法研究

针对已有的无线传感器网络节点随机调度算法存在的问题,即由于节点是利用产生随机数的方法加入到不同的工作子集,从而导致初始子集中节点分布不均,在概率感知模型下提出了一种基于节点平均度的随机调度算法。该算法利用邻居节点之间的信息传输,使得每个节点的邻居节点尽量均匀分散在不同的子集中。通过随机概率理论分析了概率感知模型下网络覆盖度与节点数之间的关系,解决了新算法的节点配置问题。仿真实验证明了新算法的有效性及分析的正确性。     

基于免疫系统的无线传感器网络性能优化

根据免疫系统B细胞和T细胞模型,建立人工免疫系统与无线传感器网络间的相似关系,提出一种邻域节点选择算法,以判断传感器节点是否被激活。由于事件信息传递到汇聚节点会产生偏差,利用时空相关理论和自适应最小均方误差滤波算法,建立偏差与激活节点数目及偏差与节点通信频率之间的关系,确定传递事件信息所需最少激活节点数和最佳通信频率。不同条件下仿真结果表明,这种无线传感器网络优化策略能起到减少节点数目、降低通信频率及节约能耗的效果。     

高能效传感器网络调度算法研究与仿真

无线传感器网络用于事件探测是一个重要的研究方向,由于传感器节点能量受限,为了延长网络寿命,设计了EAWS高能效节点调度算法。该算法根据节点的剩余能量安排节点的工作强度,在保证网络探测性能的前提下,达到平衡能耗的效果。为了评估EAWS算法性能,作了全面的系统仿真和理论分析,通过OPNET软件搭建一个近似真实的传感器网络探测模型,验证了EAWS算法的探测概率、探测延时和网络能耗三个指标,结果表明EAWS方法具有能量高效性和较好的探测性能。     

k-冗余结构无线自组网广播算法研究

针对k-冗余连接路由算法的特点,对最优广播树的生成算法进行了研究。首先根据最优广播树的数学模型,证明了它是一个NP难题(NP-Complete)。然后针对网络拓扑的特点提出了启发式广播树生成算法。针对算法的特点,分析了算法复杂度和算法的效率。结合GlomoSim仿真平台,在无线网络环境下对算法的效率进行了仿真,将协议的性能与简单广播算法进行了比较。仿真结果表明,启发式广播算法能够减小网络开销和节点的转发次数,提高网络的传输效率。     

基于节点复合特性的端-边协同网络生成算法

针对智慧交通系统数据处理量大、对传输时间要求严苛的难题，通过将协同系统定义为复杂网络模型，构建了设备端和边缘节点协作运行的端-边协同系统。提出了基于网络节点复合特性的协作网络生成算法，实现了多层复杂网络的构建。相比随机几何法，提出的由节点聚类系数和介数中心性两种特性参数相结合的协作网络生成算法能够更全面地描述节点特性，反映节点重要性，改善现有多层复杂网络模型对节点信息描述不全的问题。最后，使用4种复杂网络模型构建多层网络模型并验证该算法，以节点间最短路径值作为评价指标，证明提出的由节点复合特性生成协作网络的算法能够明显降低整个网络中节点间最短路径值，减少传输时间，提高传输效率。     

网络控制系统中自适应DMC算法的仿真研究

针对网络控制系统(NCS)提出了自适应动态矩阵控制(DMC)算法。其基本思想是使用一个离散的延迟模型来预测对象的未来输出。给出了算法的推导过程和估计网络引入延迟的方法,基于TrueTime工具箱对比了不同网络条件下自适应DMC算法和传统DMC算法的性能。仿真结果表明自适应DMC算法能够适应网络条件的变化,为NCS提供更好的控制品质。     

采用平均加权的ad hoc网络分布式时隙同步算法

为了降低现有ad hoc网络分布式时隙同步算法复杂度,基于研究多个体系统行为特征的Vicsek模型,提出一种采用平均加权的分布式时隙同步算法。各节点通过计算自身及其邻节点时隙起始时刻的算术平均调整时隙位置,最终达到所有节点时隙位置的统一,实现全网同步。对算法在不同网络连接下的收敛性进行逐一分析,并对网络节点随机分布时的算法收敛性进行仿真,结果表明,算法适用于各种连通性网络且收敛速度较快。     

基于多属性决策的无线传感器网络路由算法

针对传感器网络容易出现数据流量集中于少数路径的现象,提出了一种基于多属性决策的能量平衡路由(Multiple Attribute Decision Making Routing,MADMR)算法.MADMR算法通过综合评价节点的能量、偏好及位置等信息,选择最优的节点转发数据,它考虑了网络的能量分布状况,使数据流量得到合理的分配,从而使网络的能量消耗趋向平衡,延长了网络生存时间.仿真实验表明MADMR算法达到了预期的效果且具有良好的环境适应性.     

基于信度势场算法的水下传感网络部署及仿真

针对水下传感器网络节点的三维部署,基于D-S证据理论,提出了检测信度和信度覆盖的定义,研究了水下传感器网络检测区域信度覆盖的变化,结合感知目标分布的先验概率和被动声呐节点的感知概率模型,提出了基于改进D-S证据理论和先验概率的节点部署算法(NAAEP),将目标感知信度的值转化为虚拟势场中所受的力的大小,根据感知节点在势场中受到合力的大小对节点的位置进行调节.利用MATLAB建立了水下传感器网络仿真模型,通过仿真实验验证了算法的有效性:该算法能够有效减少部署节点,减少节点能耗,扩大检测范围,提高网络的检测性能.     

基于AEKF的高速自旋飞行体组合导航方法

针对高速自旋飞行体运行过程中噪声特性无法准确获取的问题, 提出了基于改进自适应扩展卡尔曼滤波(adaptive extended Kalman filter, AEKF)算法对量测噪声进行自适应调节, 并在扩展卡尔曼滤波(extended Kalman filter, EKF)的基础上提出了一种基于对状态变量新的建模方式的EKF算法, 提高算法的实时性。采用北斗/捷联惯性导航系统(strapdown inertial navigation system, SINS)组合导航方案, 在EKF的基础上, 引入带遗忘因子的噪声估计器, 通过AEKF对组合导航数据进行融合, 对量测噪声进行估计。仿真结果表明, 所提出的组合导航方法对高速自旋飞行体的姿态和位置定位误差较小, 与无改进的AEKF相比, 具有更好的收敛性。     

基于SSC-tree流聚类的入侵检测算法

由于数据流具有快速、无限、突发等特性,实现高速网络下的实时入侵检测已成为一个难题。设计一种维持数据流概要特征的相似搜索聚类树(similarity search cluster-tree, SSC-tree)结构,在此基础上提出一种基于SSC-tree的流聚类算法用于高速网络的入侵检测。为适应高速、突发到达的数据流,算法采用了链式缓存、捎带处理和局部聚类策略。SSC-tree中的链式缓存区用于临时存放数据流突发时算法不能及时处理的数据对象,缓冲区中的内容随后被捎带处理。在高速数据流未插入SSC-tree参与全局聚类之前,利用局部聚类产生微簇来适应高速流的到达。实验结果表明,该算法具有良好的适用性,能够在高速网络环境下产生较好的聚类精度,有效实现高速网络环境下的入侵检测。     

一种改进的多传感器多目标跟踪联合概率数据关联算法研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增,会出现计算组合爆炸现象。因此,提出了一种改进算法,即对多传感器多目标量测进行同源划分,将多传感器对多目标的跟踪问题简化为单传感器对多目标的跟踪问题,然后将JPDA当作一种组合优化问题,采用连续型Hopfield神经网络求解关联概率。经仿真研究表明,该方法不仅克服了JPDA算法在多传感器多目标跟踪问题中的缺陷,还提高了跟踪精度。     

Algorithm for multi-constrained path selection based on experimental analysis

1. INTRODUCTION It is a challenging problem to provide quality-of-servi- ce (QoS) guarantees in next generation high-speed network, and the QoS routing is one of the key issues of the problem. The problem of routing optimization for different QoS requirements has attracted more and more attention and has becomes a hot issue in this field[1~6]. The QoSR problem deals with the metric parameters including bandwidth, delay, delay jitter, loss probability, reliability and hop count. Based o…     

基于CANbus的网络控制系统仿真平台

传感器、控制器与执行器的数据经网络进行传输与交换的闭环控制系统称为网络控制系统。网络控制系统是随着计算、通信和控制发展起来的新一代控制系统。目前针对网络控制系统的研究已愈来愈受到业内人士的关注，但是大都是通过软件模拟的方法。网络控制系统作为应用型的领域，软件模拟忽略了实际中的不确定性，因此有局限性。本文介绍基于CAN总线的网络控制系统仿真平台，包括硬件和软件，在现实的网络环境下解决网络控制系统中的种种问题。同时通过一个在此仿真平台所做的实例，以证明网络引起的时延会引起控制系统的不稳定。     

基于多学科虚拟样机的粘着控制仿真平台

重载列车和准高速动车组的运行,使轮轨之间的粘着经常处于极限状态,因此需要研究更先进的控制方法来优化利用粘着力。建立了包括牵引系统、控制系统和机车多体动力学模型的多学科虚拟样机仿真平台。使用机械动力学仿真软件ADAMS/Rail建立了某种电力机车的多体动力学仿真模型;利用MATLAB建立了组合粘着控制算法;通过联合仿真实现了针对机车粘着控制系统的多学科虚拟样机仿真。联合仿真平台成为了沟通粘着控制方法理论研究和试验研究的桥梁,为智能控制方法在粘着系统中的应用提供了有效的仿真环境。

Abstract：

With heavy-haul train and high-speed electric multiple unit （EMU） operation,the adhesion between wheel and rail often reaches limit states.Therefore the advanced control arithmetic should be studied to optimize the use of the adhesion force.A simulation platform was built including traction system,control system and multi-body dynamics model of an locomotive.The model of the electric locomotive was established with ADAMS/Rail （Automatic Dynamic Analysis of Mechanical Systems）.Then a hybrid adhesion control algorithm was designed using MATLAB.The adhesion control system can be studied with co-simulation of different simulation tools.The theoretical and experimental studies are realized with the simulation platform.It provides a new and effective ways to study the adhesion control.     

网络控制系统中的时延分析

在控制网络中使用数据网络已经引起了广泛关注。如何处理网络诱导时延对网络控制系统的影响已经成为了网络控制系统的主要挑战。介绍了网络控制系统的概念,分析了网络控制系统的优缺点,探讨了网络诱导时延的组成、特点以及对网络控制系统的影响并给出了仿真结果,最后提出了未来可能的研究方向。     

结合非线性CS算法的UWB-SAR运动补偿

载机飞行不稳对SAR成像质量影响很大,对超宽带SAR系统尤其如此,提出了一种结合非线性CS算法的超宽带SAR运动补偿方法。通过采用引入高次相位补偿和非正交旁瓣抑制的改进非线性CS算法,减小了超宽带SAR成像中的相位误差。通过成像前的常规一阶运动补偿和距离徙动校正后的分块二阶运动补偿,有效补偿了超宽带SAR中的方位空变运动误差,提高了飞行不稳时的成像质量。该方法在运动补偿时考虑了方位空变运动误差随距离的变化,针对载机运动误差变化较快的情况也给出了处理办法。仿真和实测数据的处理结果验证了该方法的有效性。     

基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。