DECnet-VAX网络数据基的配置

本文论述了 DECnet 网络系统的管理功能及其六种成分:节点,模块,电路,线路,进程体,登录器.使用网络控制程序(NCP)监视,维护,控制网络.NCP 用于修改网络数据基.节点配置数据基包括对网络操作和执行有重要影响的内部网络值参数.该参数值分为特性参数和状态参数两类。本文在建立和维护网络实践基础上,论述了 DECnet-VAX8530网络系统配置,网络拓扑结构,该文重点叙述了主节点和服务器节点的配置(永久数据基和临时数据基)及怎样启动网络.     

网络生存适应性的多目标评估

为了更好地测度网络适应环境变化的能力,提出了一种简单的多目标量化评估网络生存适应性的方法.该方法将网络效率、网络鲁棒性和网络代价等多个优化目标结合起来,通过定量加权的方法对网络拓扑的生存适应性进行综合评估,避免了仅依靠网络平均路径长度、最大连通子图规模等单一度量指标进行评估的不足.仿真实验结果表明,综合了环型和星型结构优势的Hub型拓扑结构的生存适应性比较高,节点度分布较均匀的ARPA网络的生存适应性比较优,提高网络拓扑度分布的均匀性是改善网络拓扑生存适应性的有效措施.该评估方法不仅能够有效度量不同网络结构在动态环境下的生存适应能力,还能进一步为网络拓扑的优化、设计和重构提供有益的指导.     

一种通信网络节点重要性的计算公式

针对基于节点的移除可能导致网络拓扑结构变化的不足,提出了一种确定通信网络节点重要性的评价公式.该公式综合考虑了节点在网络中的全局性影响,能精确地评价网络节点重要性,尤其对解决卫星网络的节点重要性评价方面.该计算公式定义了网络中节点重要性取决于该节点在网络中的位置信息和其他节点对该节点的贡献度.节点的位置由节点介数确定,其他节点对该节点的贡献度与其他节点的介数及紧密度相关.利用该公式对典型网络的节点重要性进行分析,并与其他评价方法进行对比,结果表明,该公式能精确并正确评价节点对网络的控制能力.     

基于主成分分析的对等网络邻近标识符选择

保持对等网络与底层网络的拓扑良好契合是保障对等网络性能的重要条件.以对等网络系统CAN为基础,将底层网络拓扑建模为高维欧氏空间,使用主成分分析法将底层网络拓扑映射到低维CAN逻辑空间,从而根据节点在底层网络中的位置决定其在对等网络中的标识符.实验结果表明,该算法能够有效减少对等网络链路延时,提高路由效率.     

基于观测器的复杂动态网络故障诊断新方法

针对复杂动态网络拓扑未知情形,研究复杂动态网络故障诊断问题.基于观测器思想,提出一种复杂动态网络故障诊断新方法.该方法只需利用网络节点输出信号进行观测器设计,克服了现有方法利用节点状态变量设计观测器存在的不足.研究表明,这种方法能够监测网络拓扑结构的变化.通过系统仿真,证明文中所提方法的有效性.     

复杂网络中基于反应式的危险抑制方法

复杂网络中的危险传播行为依赖于网络拓扑结构和节点的动态特性.网络拓扑结构与危险传播的动力学机制是分离的,因此需要结合节点的动态信息来分析网络中的危险传播机理.本文针对该问题提出一种复杂网络中基于反应式的危险抑制方法,该方法主要针对节点当前的感染模式,采取相应的免疫策略进行防护.通过仿真实验表明,本文提出的免疫策略可以更加有效地抑制复杂网络中的危险传播.     

一种三维无线传感网络拓扑控制算法的研究

当前关于三维拓扑控制的研究主要侧重在保证网络的连通性,并没有很好的考虑到邻居节点度和能耗最低路径两者之间的权衡关系.针对该问题提出了一种可调节的无线传感器网络拓扑控制算法,通过调整因子r(0＜r＜1)动态调整网络拓扑结构,使网络具有良好邻居节点度的同时保留了部分能耗最低路径.仿真实验数据表明该算法构造的网络拓扑图具有良好的可调节性和稀疏性,同时算法在优化网络生命周期和节点功率方面都具有较明显的效果.     

基三分层互连网络的网络属性和功耗分析

片上网络是一种新型的片上设计模式,被认为是更加理想的多内核互连技术.基三分层互连网络是一种新型的片上互连结构,该网络拓扑结构简单、节点度数低,具有明显的层次性和对称性以及良好的扩展性.针对THIN从网络属性和功耗方面进行了深入的研究,并和其他常见互连网络进行了比较,结果表明:THIN是一种更适合用来构建核间互连的片上网络.     

无线Mesh网络节点聚类属性分析

通过分析无线Mesh网络节点空间属性,提出了一种改进的k-medoids网络节点聚类算法.该算法基于聚类思想,将无线Mesh网络中的网关部署问题转化为空间节点数据聚类问题.构建了网络拓扑图的邻接矩阵,并利用邻接矩阵选择具有最多一跳连接节点数的对象作为初始簇中心.然后以网络跳数代替传统聚类算法中的距离参数,将最小化跳数之和作为优化目标,通过迭代方法获得稳定的聚类和分组结果.实验结果表明,离散的网络节点在空间上具有聚类特性,利用该方法可以获得更小的平均跳数和最大跳数,因此可以较好地实现网络节点分组和网关发现.     

一种改进的无线传感器网络目标跟踪机制

针对无线传感器网络环境下运动目标跟踪问题,采用簇-树层次型的网络拓扑模型,提出了一种在该模型中改进的各传感器节点的工作机制.详细介绍了模型中节点的工作流程,并通过无线传感器网络中的能量模型方程与原节点工作机制中能量消耗进行比较,实现对网络中运动目标的跟踪.结果表明在不影响跟踪精度的条件下,改进的工作机制可以有效降低通信能量的开销.     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于主成分分析—神经网络的医学图像刚性配准方法(投稿)

医学图像配准在临床诊断和治疗计划中起着重要的作用。应用特征图像的第一主方向提出了自动配准计算机层析术(CT)和磁共振(MR)大脑图像的方法。方案中,先应用主成分分析-神经网络来计算特征图像的第一主方向,然后通过调整特征图像的第一主方向和质心来完成配准问题。此外,还以MR-MR图像配准和CT-MR图像配准为例,对此方法的配准效果进行了简单分析。     

基于图像特征的卷积核初始化方法

针对当前卷积核初始化方法易导致网络不稳定及主成分分析算法对网络结构限制的问题, 提出一种基于图像特征的卷积核初始化方法. 该方法先结合模糊处理技术和边缘处理技术对图像进行采样, 再将采样后的数据随机分组, 使用主成分分析算法提取各组数据的主成分, 初始化卷积核. 将该方法应用于数据集Cifar-10和Corel-1000, 并与Gauss初始化方法和He初始化方法进行对比测试, 实验结果表明, 该方法性能优于其他卷积核初始化方法.     

一种非线性主元分析方法在TE过程中的仿真研究

主元分析方法是一种线性的统计方法,对一些线性的问题能给出非常好的监控效果,但大多数工程实际问题都是非线性的,在非线性的问题中用线性的方法有时候会产生适得其反的结果。该文结合了主元分析和神经网络来处理非线性的问题,仿真表明:这种方法能有效地处理一些非线性的问题。     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

基于PCA和KPCA特征抽取的SVM网络入侵检测方法

提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。     

基于主成分分析的短期负荷预测模型

电力负荷预测的准确性直接影响到电力系统的安全性和经济性,但在应用神经网络进行短期负测精度造成了显著的负面影响。针对这一问题,本文采用多元统计分析中的主成分分析,根据各主成分贡献率对输入空间进行约简,提取线性无关的输入变量,以此达到压缩变量维数的目的,然后利用考虑模型输入变量相互关系的递推合成BP网络进行预测,使之更符合电力短期负荷预测的特点,提高模型的预测精度。仿真实验的结果表明,该简化模型用于短期负荷预测建模速度快、预测精度高,是一种行之有效的方法。     

矿井涌水水源的主成分分析和BP神经网络判别

为准确判别矿井涌水水源,针对矿井各主要含水层的水化学特征数据样本,利用主成分分析法消除变量中的重复信息,采用BP算法对网络进行训练,实现对随机挑选样本的判别,并与Bayes判别结果进行比较.结果表明：主成分分析与BP神经网络相结合的方法判别涌水水源的正确率为82.35％,优于Bayes判别法.该研究为有效开展矿井防治水工作提供了参考.     

工业网络流量异常检测的概率主成分分析法

针对主成分分析(PCA)法用于工业测控网络流量异常检测时存在的误报率高的问题,提出了一种基于概率主成分分析(PPCA)的检测算法.首先通过分析误报成因,建立了工业测控网络流量矩阵的PPCA模型,然后使用迭代变分贝叶斯算法辨识该模型的参数,再利用模型参数估计值求解流量矩阵的秩的分布函数并得到秩的极大似然估计值,最后以秩的跃变状况为判据进行异常流量检测.模拟攻击实验表明,该方法使漏报率平均下降了32%,从而有效降低了PCA方法的误报率.     

基于PCA的概率神经网络模式分类方法

研究了概率神经网络隐单元主要分量的选取方法。这些方法的概率神经网络比原来的网络大大降低了隐单元数，并且带来分类测试时间减少的增益。最后，就模拟和实测两组数据进行了计算机仿真，实验结果证实了这种方法的可行性。