基于多指标分析的路网单元抗震改造重要度评价

基于路网拓扑布局和桥梁结构属性,进行路段抗震提升重要度评价,可为公路交通系统震前加固改造、灾害应急准备等工作提供依据.本文采用4种不同特性的单元重要度评价指标:介数、连通概率灵敏度、路网震后通行时间和路网震前通行时间影响重要度,计算路段及其内部桥梁和道路单元的抗震提升重要度.为综合考虑多指标评价结果对单元重要度排序的影响,本文采用逼近理想排序法(TOPSIS)多属性决策方法评价路段的综合重要度.通过实例路网模型应用,分析了不同指标的特点,比较了单指标评价与多指标综合评价结果的差异.结果表明,不同指标的重要度评价结果存在明显差异,基于多指标分析的路段抗震改造重要度,综合考虑了网络拓扑结构、单元地震反应、单元通行能力、OD(起止点对)交通量的影响,为决策者提供了综合判别的依据.     

物联网定位与位置感知研究

物联网是近年来广受关注的新兴研究领域,被认为是信息网络在现实世界的延伸,是我国国民经济的重要增长点,将在未来科技创新和社会进步中扮演关键角色.物联网系统中,"物"节点位置是反映网络状态的重要信息之一.同时,"物"节点采集信息以及相应的信息交互过程都与节点位置信息密切相关.本文主要讨论物联网中定位与位置感知研究中的若干关键问题.探讨了物联网节点定位理论与方法,包括基于测距和非测距定位、物联网协作式定位、多传感器位置感知等议题,结合物联网中不同网络层次、应用场景和定位需求对节点位置感知技术进行归纳和总结.最后指出了仍存在的问题和值得进一步探讨的方向.     

一般复杂动力网络的优化牵制控制

本文研究了一般复杂动力网络的优化牵制问题.基于线性反馈方法,提出了通过牵制控制将一般复杂动力网络在目标态达到全局指数稳定的策略.特别地,回答了这样一个基本的问题:如何在牵制节点数目和反馈增益之间选取一个优化组合?最后用3个例子来说明该方法的有效性.     

P2P系统中基于双信任信息的信誉度改进模型

针对P2P网络中诸如诋毁、合谋、欺骗等安全性问题，提出一种新的基于双信任信息的分布式信任模型。区别对待节点提供服务和发送评价的能力，对节点拥有的资源进行分类；通过迭代求解，为每个节点的每类资源分别计算全局服务信任值和回馈信任值；为了防止恶意节点反复实施恶意行为，引入了惩罚机制，激励节点诚信交易。仿真实验表明，该模型能够迅速降低恶意节点的全局信誉值和恶意交易概率，降低了对无过失节点的不公平性。     

基于层次分析法评价粉煤灰资源化利用

以某企业对粉煤灰的资源化利用为例,基于层次分析法从经济效益、社会效益、技术和管理四个准则层及其分解的十四个指标层出发,确定权重矢量和评价矩阵,通过计算得到层次单排序和总排序及该企业的综合评价值.综合评价表明,该企业对粉煤灰资源化利用技术的应用情况为优,其利用综合评价值S为86.1分.     

自环流网络潮流跟踪算法

运用级数理论给出环流网络潮流跟踪算法. 计算中, 将网络环流等效为一个节点, 从而得到原网络的简化网络. 基于此, 运用图论求出发电机节点到负荷节点的有向路, 进而得到原环流网络的无穷多条有向路. 运用比例分摊原则、级数理论和网络节点间有向路便可得到发电机对负荷的功率分配. 给出了网络自环流系数的定义及其性质. 利用自环流系数的性质, 证明了算法的收敛性定理: 基于比例分摊原则的自环流网络潮流跟踪算法总是收敛的. 同时, 证明了算法的有效性定理: 基于比例分摊原则, 用有向路算法对无损的环流网络进行潮流跟踪时, 任意节点上发电机对所有负荷的贡献总额等于发电机的出力. 并用IEEE14节点系统和国内考核题型Ⅱ证实了该方法.     

一种多跳无线传感器网络中基于SMAC协议的性能分析模型

本文针对基于SMAC协议的多跳无线传感器网络,将节点建模为一个带关闭机制的有限队列单服务台系统,并考虑节点睡眠机制和竞争退避机制建立了二维Markov节点状态模型.基于该模型可准确推导出网络平均丢包率、网络吞吐量、数据包平均延时以及网络平均功率消耗等网络性能的表达式.通过与仿真实验给出的网络性能结果进行对比,发现模型给出的网络性能表达式有效逼近了仿真结果曲线,从而验证了模型的准确性.同时,运用该模型能准确分析多跳无线传感器网络在能量效率和QoS性能的折中关系,并为占空比、缓存队列容量等网络协议参数的优化提供理论指导.     

复杂灾害系统风险综合评价的非线性信息动力学模型

自然灾害系统是一个极其复杂的巨系统,它的发生、演化都具有相当复杂的非线性特征.为了从系统演化的角度来研究复杂灾害系统风险综合评价问题,在建模的过程中引入非线性信息动力学模型——最大流原理,以反映复杂灾害系统风险等级的各个指标所构成的系统为研究对象,基于非平衡统计力学方法建立系统随机演化方程,通过给各指标赋予合理的权值使系统趋于稳定,从而实现对复杂灾害系统风险的综合评价.新模型揭示出复杂灾害系统风险耦合的形成模式和演化动力学规律,并结合自组织特征映射网络算法实现对该模型进行数值仿真模拟.最后应用该方法进行中国大陆31个省、直辖市和自治区复杂灾害系统风险综合评价,分析结果验证了该方法的有效性.     

基于Bayes认知信任模型的MANETs自聚集算法

随着移动自组网络(MANETs)的出现,移动节点能够组成特定的动态网络而无需基础网络设施,而在任意两个节点进行交互前,必须同时满足对方的安全和隐私需求.文中提出了一种既能提高MANETs安全效率同时又能保证网络可扩展性的方法.该方法借鉴脑信息学中基于认知的启发式方法,利用Bayes统计分析评估节点的信任等级,对移动节点按照信任机制进行自聚集,进而构建新的网络拓扑结构.仿真结果表明,每个节点都能根据其信任度生成并参与到合适的聚类中,提高了整个网络的可靠性和可扩展性.文中最后还使用复杂网络理论分析了该方法优越性的内在机制,并用实验说明了该方法的高可扩展性.     

喷射转发算法:一种基于Markov位置预测模型的DTN路由算法

典型的容迟网络(DTN)场景常表现出大延迟、易中断、高误码率等特点,其中高效节能的路由算法更是一个亟待解决的问题.现有方法主要是通过发送多个副本来提高数据传输的可达性概率,但网络开销很大.为了同时兼顾成功投递率、网络延迟和网络开销,文中提出了基于Markov位置预测模型的DTN路由算法(喷射转发算法).该算法根据节点经过路径的历史信息,用2阶Markov预测机制预测目的节点可能的位置,针对该位置进行多路径的贪婪转发,使包有方向地扩散,减少网络中包的副本数.采用多副本转发的混合发送模式,在保证成功投递率的基础上,有效地减少包副本数,弥补了使用单一模式时不能兼顾网络开销和成功投递率的不足.仿真结果显示,在小节点密度、节点移动速度较快的网络环境下,与spray and wait算法相比,喷射转发算法能有效地提高成功传输率,减小网络开销.     

基于复杂网络挖掘的用户行为感知机制

用户行为感知是进行网络管理、安全检测以及应用趋势分析的基础.针对基于流量统计特征检测方法具有计算复杂度高和"概念漂移"的缺陷,提出了一种基于用户复杂网络图的用户行为感知机制算法(UBP-CN).算法将用户标识{IP,Port}和用户交互分别抽象为一个点和一条边,构建了用户复杂网络图;应用社团挖掘算法将复杂网络图划分为互不相交的行为子簇,使得用户之间的通信抽象为一种"社会团体";通过定义基于相对熵的"用户行为模式"(UBM),表征了各个子簇背后表现出的行为特性,并使用"UBM+Port"对各个子簇进行标签映射,实现了用户行为的有效感知.仿真结果表明:在不牺牲用户行为分类准确率的前提下,算法不仅能克服"概念漂移"问题,还能有效降低算法的计算复杂度.     

基于 R-RNN的孵化器运营水平评价及应用

针对科技企业孵化器运营水平难以科学定量评估的问题,提出了基于粗糙集和 RBF神经网络的 R RNN孵化器运营水平评价模型.基于孵化器运营工作原理的归纳分析,提出多层次孵化器运营水平评价指标体系.根据指标重要程度采用粗糙集理论对评价指标进行预处理,去除冗余指标项,选取重要控制指标并减少网络输入维度,进而采用 RBF神经网络对科技企业运营水平进行综合评价.最后通过具体的应用实例验证了该评价模型的有效性与可行性     

基于随机时间自动机和统计模型检验技术的无线传感网络协议建模与分析

近年来，传感器技术得到了长足而有效的提升，无线传感网络（WSN）以其开放、动态的特征获得了极大的关注，并成为了互联网计算的一个重要组成．WSN系统行为复杂，经常面临信息丢失、节点动态变化等不确定因素，且网络中的节点一旦部署将很难更改、维护．因此，为了保证相关应用的正常工作，在系统设计阶段对WSN中的底层协议进行质量保障就成为了一项非常重要的研究问题．系统设计人员不仅需要保证协议功能上的正确性，还应该评估协议在目标工作环境下的性能，以保证其可以胜任相应的工作需求．针对以上问题，本文提出了一种基于随机时间自动机和统计模型检验技术的WSN协议建模、分析和评估途径．在建模阶段，首先将采用时间自动机对协议在理想环境下的基本业务流程进行建模．考虑到WSN系统实际工作中会遇到的各种不确定性因素，将用带权分枝来对模型进行扩展，生成协议的随机时间自动机．在验证阶段，首先采用经典模型检验技术，在理想时间自动机上检验相关功能性质，保证协议工作逻辑的正确性．为评估协议在不同条件下的具体性能，则在随机时间自动机上用统计模型检验技术对其进行数值分析，以进行参数配置、性能预测、协议比较等工作．为展示该途径的可用性及其技术细节，本文对两种著名的WSN时间同步协议，TPSN和FTSP分别进行了完整的建模与评估．     

Performance evaluation of neural network architectures: the case of predicting foreign exchange correlations

In the last decade, neural networks have emerged from an esoteric instrument in academic research to a rather common tool assisting auditors, investors, portfolio managers and investment advisors in making critical financial decisions. It is apparent that a better understanding of the network's performance and limitations would help both researchers and practitioners in analysing real‐world problems. Unlike many existing studies which focus on a single type of network architecture, this study evaluates and compares the performance of models based on two competing neural network architectures, the multi‐layered feedforward neural network (MLFN) and general regression neural network (GRNN). Our empirical evaluation measures the network models' strength on the prediction of currency exchange correlation with respect to a variety of statistical tests including RMSE, MAE, U statistic, Theil's decomposition test, Henriksson–Merton market timing test and Fair–Shiller informational content test. Results of experiments suggest that the selection of proper architectural design may contribute directly to the success in neural network forecasting. In addition, market timing tests indicate that both MLFN and GRNN models have economically significant values in predicting the exchange rate correlation. On the other hand, informational content tests discover that the neural network models based on different architectures capture useful information not found in each other and the information sets captured by the two network designs are independent of one another. An auxiliary experiment is developed and confirms the possible synergetic effect from combining forecasts made by the two different network architectures and from incorporating information from an implied correlation model into the neural network forecasts. Implied correlation and random walk models are also included in our empirical experiment for benchmark comparison. Copyright © 2005 John Wiley & Sons, Ltd.     

时变有向网络下仿射多个体系统的状态一致性

本文探讨时变网络下多个体系统的状态一致性,研究了平稳离散时变有向网络下仿射多个体协同系统趋于状态一致的充分必要条件.由于线性多个体系统是仿射多个体系统的特例、非时变网络是平稳离散时变网络的特例、无向网络(对称网络)是有向网络的特例,因此本文的结论涵盖了此前有关一阶多个体协同系统状态一致性的主要理论结果.     

电力系统专网的无线Mesh监测终端的研制

针对Ad hoc网络在电力系统应用中节点流量任意性的问题,提出一种改进型的无线Mesh监测组网方式.同时,研制了一套针对230 MHz电力系统专网的无线Mesh监测终端,并介绍了其实现方法.在实际的使用中,该终端在传输视音频数据方面性能表现良好.     

凝聚度——描述与测度社会生态系统抗干扰能力的一种新特性

研究一个网络系统抵抗干扰的能力,系统科学里有＂鲁棒性＂的概念,社会—生态系统里用＂脆弱性＂、＂恢复性＂和＂适应性＂等概念.这些已有的概念是否已经全面地描述了系统抵抗干扰的能力呢？在综合灾害风险管理的实践中,整个社会凝心聚力,行动协调一致,往往发挥着至关重要的决定性作用.然而,现有学术研究中所用到的各种系统属性,都不能很好表述一个系统凝心聚力的能力或水平.鉴于此,本文提出一种全新的网络系统属性：网络凝聚度（consilience degree）,专门用以度量一个如社会—生态系统一样行为的网络系统凝心聚力,行动协调一致,以抵抗干扰的能力.网络凝聚度实际上是一种更具普遍意义的＂联结度＂.它可以象联结度一样,派生发展出一系列的系统新属性和网络新模型,从而形成一个研究复杂系统的新的理论体系.本文将重点阐述这个体系的雏型.理论分析和仿真研究都证明：本文所提出的网络凝聚度是现有各种系统属性所无法涵盖或替代的,是研究现实复杂系统所必需的新理论工具.     

日径流预报贝叶斯回声状态网络方法

回声状态网络（ESN）相比传统递归神经网络，具有模型简单、参数训练速度快的特点．针对标准ESN因常采用线性回归率定模型参数容易出现过拟合问题，提出了基于贝叶斯回声状态网络（BESN）的日径流预报模型．该模型将贝叶斯理论与ESN模型相结合，通过权重后验概率密度最大化而获得最优输出权重，提高了模型的泛化能力．通过安砂和新丰江两座水库日径流预测实例表明，BESN模型是一种有效、可行的预测方法，与传统BP神经网络和ESN模型对比，进一步表明BESN模型具有更好的预测精度．     

一种面向下垫面不均一的森林碳通量监测方法

特定时刻内通量塔观测结果只能代表其上风向下垫面贡献区域的CO2通量值,当下垫面不均一时,通量塔观测结果是不能真实反映观测区域实际碳通量的.如何将通量观测塔的空间代表性进行有效的由点到面的扩展,亟需一种能够对观测区域采取多点同步精确观测的可行方法.完全的利用现有的无线传感器网络(WSN)技术虽然具有实时多点同步观测的优势,但精度不能满足通量观测的要求.本研究将利用通量塔观测数据对无线传感器接收数据进行校正,通过校正后数据计算观测区域内的通量值,力求解决下垫面不均一时通量塔观测结果不具代表性的问题.根据涡度相关技术和FSAM模型(fux-source area model),采用仿真数据分析方法,研究结果表明通过通量塔观测数据对WSN进行校正能够提高WSN观测精度;利用WSN多点同步监测的优势能够很好地解决下垫面不均一情景下通量塔观测结果不具代表性的问题.WSN结合通量塔进行陆地生态系统碳通量观测上具有很大的应用前景.