一种QAM信号载波频偏估计算法

该文给出了一种QAM信号载波频偏估计算法。该算法先采用辅助数据和接收序列相乘后再进行相关运算提取出载波频偏信息，然后用相关序列的相位增量获得频偏估值，为了提高估值精度，对估值序列进行加权处理。该算法具有频偏估计范围大、估值准确度高的特点。计算机仿真表明频偏估计范围可达0．4符号率，估计精度接近克拉拉美劳界。     

基于小波分析的网络流量问题研究

应用小波变换，精确地刻画网络流量的自相似特性，应用Mallat算法模拟网络流量在此基础上，分析了局域网和广域网的网络流量特性．     

现代网络业务流的几个基本定律

为了采用有物理意义的参数,在多个时间尺度下对现代网络业务流进行建模,考察了网络流量长相关(LRD)的基本特征,提出了业务流中满足的几个基本定律,揭示了在流量中描述LRD定量关系的参数cγ(或cf)、流量聚集级m、平均到达率l之间的基本关系,并通过实际测量的数据加以验证.所提出的定律表明:(1)流量确实存在LRD行为;(2)平均到达率(TCP和IP流等)与参数cγ(或cf)存在一定的统计定量关系.     

混合业务模型下的光突发调度

分析了多路共享可以改善长相关特性的自相似业务模型在长队列缓存模型下的排队性能,有效降低Hurst参数．在长期相关(LRD)和短期相关(SRD)的混合业务流模型下,提出了采用少量光缓存的多链路共享光突发交换方案,并在模拟仿真中,得到较好的阻塞性能结果．     

异构网络环境中的自适应在线故障检测

通过研究网络流量异常检测，提出一种新的基于自适应自回归(AAR)模型的在线故障检测算法．该算法只利用标准管理信息库，因此检测不依赖于特定产品类别，适用于异构网络环境．验证了流量信号的非平稳特性，并采用模拟获取的网络流量拟合AAR模型．由于不必将整个时间序列进行分片和单独拟合，算法可以直接处理获取的新数据，实现真正意义上的在线故障检测．利用时间平均方法消除了网络噪声的影响．在实验中，故障检测结果与预设的故障场景完全对应，进一步证明了该算法的准确性．     

状态输入估计两段解耦Wiener滤波器

运用现代时间序列分析方法,基于ARMA模型和白噪声估值器,对一类控制输入存在不确知性的随机系统,提出了状态输入估计两段解耦Wiener滤波新算法,仿真例子说明了其有效性。     

一种基于HVS的利用零树编码的水印算法

提出了一种利用人类视觉特性的数字图像水印算法．先采取直接序列扩展方式生成水印序列信号，然后嵌入到一组按重要性选出的小波系数中，其中嵌入强度由小波域临界可见误差JND(Just Noticed Difference)限决定．实验证明此算法在水印的不可见性和鲁棒性之间取得了良好的平衡，既保证了人眼视觉的不可察觉性，又具有较好的鲁棒性。     

基于改进黑洞算法优化ESN的网络流量短期预测

网络流量数据序列具有混沌特性.相空间重构后,采用一种改进黑洞算法优化回声状态网络的非线性模型对网络流量进行预测.改进黑洞算法是在现有工作的基础上提出一种新的新解生成机制,可以提高算法的收敛速度和精度;相比于遗传算法、和声搜索算法等其他优化算法,所提出的改进黑洞算法不依赖自身相关参数的准确设定;将其应用于回声状态网络4个重要参数的优化选取,使得预测模型具有较好的预测稳定性.通过Mackey-Glass混沌时间序列和网络流量公共数据集的仿真实验,结果表明所提出的方法具有较好的预测性能.     

一种基于流量三定律的MMPP建模的新的测量及适配途径

回顾了在网络业务流轨迹中的长相关(LRD)、自相似和尺度不变性现象;对几种层次MMPP模型做出评价,针对其中一种有潜力的模型进行分析。通过tcpdump、Tstat和AV估计器,在所测得的业务流轨迹中,利用已提出的现代网络流量满足的三个基本定律,通过交互式的自学习方法对网络流量进行MMPP建模。给出一种更精确的模型参数的适配途径,它采用了两级匹配并显示良好的效果。     

基于分形序列的流量模型

文中设计了一种调整方差随机二分法的分形序列生成方法, 调整该方法中的参数值可生成单分形或重分形的序列, 生成的单分形序列的自相似度和生成的重分形序列的勒让德谱取决于参数值. 该方法的时间复杂度为O(n), 由三种不同的Hurst检测方法证实了该方法具有较高的准确度. 通过分析网络流量的特征, 指出网络流量在一定的尺度上可能同时存在长相关和重分形的特性,本文提出的分形序列生成方法能生成具有不同程度突发的分形序列,可灵活的仿真不同的网络流量.     

业务相关性对排队性能的影响及其意义

以TES法和洗牌法为依据，通过一系列计算机模拟实验，分析了业务相关性与排队性能之间的关系．指出：业务的相关性对排队性能有着重大的影响，对于无限排队系统，业务的长时相关性决定着排队系统的性能；而在有限排队情况下，短时相关性的影响相对大一些，且起作用的主要是相邻数据的相关性的强弱，因此短时相关性和长时相关性都不容忽略．     

金融时间序列预测中的神经网络方法

概述了神经网络方法在金融时间序列预测应用中所面临的有关问题,给出了解决方法;针对有关模型和算法作了计算模拟与分析,得到了一些可供今后研究参考的经验结果;讨论了金融时间序列预测中主要的神经网络模型,如多层前馈网络、径向基函数网络以及支持向量机网络等.总结了关于模型改进的一些近期研究进展与结果,指出了神经网络用于金融时间序列预测的一些可能的方向.     

基于均匀圆阵的信号源DOA估计方法

该文研究了基于均匀圆阵阵列的信号波达方向向估计问题，对一维角度估计采用MUSICK算法，通过谱峰搜索得到信号的方位角；对二维角度估计采用模式激励法，对均匀圆形阵列的输出信号进行模式激励，其使阵列流形具有类似于均匀线性阵列的列式，在此基础上，对波达矩阵进行分解，由各特征值对应的特征向量处理得到对应信号的到达方向，给出的计算机仿真结果证实了它们的有效性。     

基于模态重构与多维评价的时间序列趋势提取

为了准确提取时间序列的趋势特征，提出一种基于模态重构与多维评价的时间序列趋势提取算法。定义重要点作为时间序列分段点的候选集，运用自适应噪声的完备经验模态分解方法对时间序列进行分解和模态重构得到全局因子，使用全局因子度量重要点在整体维度上的重要程度，给出特征因子和边界因子的定义并分别用来度量重要点在单点维度和局部维度上的重要程度，根据3个评价因子综合评价重要点来选取分段点。仿真实验结果表明，该方法具有良好的去噪能力，在相同压缩率情况下的拟合精度比现有方法高，在对心电图趋势提取的实验中也验证了方法的有效性。     

Using local geopotential model to implement underwater passive navigation

A main aspect of underwater passive navigation is how to identify the vehicle location on an existing gravity map, and several matching algorithms as ICCP and SITAN are the most prevalent methods that many scholars are using. In this paper, a novel algorithm that is different from matching algorithms for passive navigation is developed. The algorithm implements underwater passive navigation by directly estimating the inertial errors through Kalman filter algorithm, and the key part of this implementation is a Fourier series based local geopotential model. Firstly, the principle of local geopotential model based on Fourier series is introduced in this paper, thus the discrete gravity anomalies data can be expressed analytically with respect to geographic coordinates to establish the observation equation required in the application of Kalman filter. Whereafter, the indicated gravity anomalies can be gotten by substituting the inertial positions to existing gravity anomalies map. Finally, the classical extended Kalman filter is introduced with the differences between measured gravity and indicated gravity used as observations to optimally estimate the errors of Inertial Navigation System (INS). This navigation algorithm is tested on simulated data with encouraging results. Although this algorithm is developed for underwater navigation using gravity data, it is equally applicable to other domains, for example vehicle navigation on magnetic or terrain data.     

无源互调干扰的二维时延自适应估计算法

针对影响通信接收机性能的时变性无源互调干扰问题,采用幂级数模型对无源互调干扰进行建模,从工程的角度给出了基于二分法、快速二分法和并行法的3种二维时延自适应估计算法,并对其性能进行了对比.仿真表明3种搜索算法经过不同次数的迭代后,均可估得二维时延值.其中,基于快速二分法的估计算法能以相对较低的资源消耗量获得较快的跟踪速度,更适合硬件实现.实测表明,原理样机采用基于快速二分法的二维时延估计算法,可对PIM信号实现更好的估计效果,补偿后的信号经自适应滤波可获得良好的性能.      

A local geopotential model for implementation of underwater passive navigation

A main aspect of underwater passive navigation is how to identify the vehicle location on an existing gravity map, and several matching algorithms as ICCP and SITAN are the most prevalent methods that many scholars are using. In this paper, a novel algorithm that is different from matching algorithms for passive navigation is developed. The algorithm implements underwater passive navigation by directly estimating the inertial errors through Kalman filter algorithm, and the key part of this implementation is a Fourier series-based local geopotential model. Firstly, the principle of local geopotential model based on Fourier series is introduced in this paper, thus the discrete gravity anomalies data can be expressed analytically with respect to geographic coordinates to establish the observation equation required in the application of Kalman filter. Whereafter, the indicated gravity anomalies can be gotten by substituting the inertial positions to existing gravity anomalies map. Finally, the classical extended Kalman filter is introduced with the differences between measured gravity and indicated gravity used as observations to optimally estimate the errors of the inertial navigation system （INS）. This navigation algorithm is tested on simulated data with encouraging results. Although this algorithm is developed for underwater navigation using gravity data, it is equally applicable to other domains, for example vehicle navigation on magnetic or terrain data.     

海平面温度(SST)距平场的非线性重构

用非线性时间序列分析方法对海平面温度距平场进行重构。方法包括3部分：主分量分析,相空间重构,最小二乘拟合。与传统线性拟合方法的区别在于,这里用时间信息代替空间信息。将此方法和线性拟合方法均用CZ模式资料进行检验,两者比较表明,非线性重构的结果很好。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

基于多维时间序列形态特征的相似性动态聚类算法

由于时间序列数据具有高维度、动态性等特点,这就导致传统的数据挖掘技术很难有效的对其进行处理,为此,提出了一种基于多维时间序列形态特征的相似性动态聚类算法(similarity dynamical clustering algorithm based on multidimensional shape features for time series,SDCTS).首先,提取多维时间序列的特征点以实现降维,然后,根据多维时间序列的斜率、长度和幅值变化的形态特征定义了一种新的时间序列相似性度量标准,进而提出无需人为给定聚类个数的多维时间序列动态聚类算法.实验结果表明,与其他算法相比,此算法对时间序列具有良好的聚类效果.