大数据云存储下海量数据传输完整度控制技术

为确保大数据云存储下海量数据传输的完整度,提出了一种基于属性特征匹配和关联规则的海量数据传 输完整度控制方法。构建海量数据的属性特征高维重组模型,得到关键信息的特征分布状况,据此设计海量数 据的关键信息存储分布结构模型,采用关联规则方法进行海量数据的关键信息特征挖掘提取,利用关键信息进 行海量数据的特征分析和数据聚类处理,采用属性特征匹配方法设计海量数据关键信息存储节点后,利用模糊 减法聚类对关键信息存储节点进行聚类处理,在海量数据传输中,以数据关键信息存储节点传输的完整度实现 海量数据的传输完整度控制。仿真结果表明,采用该方法进行海量数据传输完整度控制,能提高云存储下的空 间利用效率,数据传输完整度高。     

变压器的冷却控制在电力生产中的应用

基于某大型水电站主变压器正常运行时其冷却控制系统误发“主变冷却全停”信号,造成主变保护误动作。根据现场检查,缘由主变压器油面温度指示控制器温度模拟量输出值出现越限现象,致使冷却控制流程中的主变冷却全停程序启动造成。针对这一问题,对冷却控制流程作了修改和完善,确保了主设备安全、稳定运行。     

基于时间序列相似性匹配算法的研究

把匹配抽象时间序列相似性的方法引入到地震预报的应用中,结合大量地震历史源数据,地震领域的专家经验知识和相关成果基础上,提出了一种简化的抽象时间序列匹配模型.该模型在对海量数据进行预处理筛选的基础上再进行时间相似性匹配,增加了横向和纵向多方位地区和多方位时间段的匹配,不同时间差和阈值的匹配,并通过大量实验对该模型进行了反复验证,同时对我国地震频繁地区近几十年的地震历史数据进行了相似性匹配实验分析,取得了可信度较高的实验结果,实验结果验证了所给时间序列相似性匹配控制策略的有效性、实用性以及算法的优越性.     

具有快变时延的网络化控制系统完整性设计

针对一类具有时变时延和丢包的网络化控制系统,研究执行器或传感器失效时系统的完整性设计问题.将丢包当作一种特殊时延,考虑综合时延的快变性,通过构造适当的Lyapunov-Krasovskii泛函,给出使闭环系统对执行器或传感器失效故障具有完整性的时滞依赖充分条件,并以求解LMIs的方式给出控制器的设计方法.以一个仿真算例验证了该方法的可行性和有效性.     

一种基于BP网络的多模型预测主动容错控制方法

针对非线性受控对象,给出了一种基于BP神经网络的多模型预测主动容错控制方案,设计了故障诊断与决策机制的算法步骤,在基于BP网络建立系统正常或故障状态动态模型库的基础上,利用预测控制算法得到控制律,达到对非线性系统主动容错控制的目的．仿真结果表明所述方法的可行性和有效性．     

一种基于量子机制的分类属性数据层次聚类算法

受物理学中量子机制特性的启发,结合层次凝聚思想,通过引入新的相异性度量测度以及聚类度量尺度步长sβtep概念,重新定义以紧致性指标AIAD和离散性指标AIED为基础的聚类有效性函数CVF,提出一种针对分类属性数据的基于量子机制层次聚类算法CQHC.该算法首先在不同粒度水平上划分数据样本产生初始类(簇),然后以聚类有效性函数CVF为评价标准,动态地合并初始类(簇)完成聚类.仿真实验采用2个真实数据集,即:线性可分的大豆疾病样本数据集和线性不可分的动物园数据集.实验结果表明,该算法与已有的其他几个算法相比,不仅具有更高的聚类准确率,而且能够准确地检测出最佳类别数,是有效且可行的.     

网络化智能攻击子弹药任务规划

网络化智能攻击子弹药的任务状态包括:搜索、识别,攻击和毁伤评估.为了实现多个弹药协同工作以更好更高效的方式执行作战任务,构造效益函数来对多个子弹药的任务进行规划,以最大收益的情况进行任务分配.建立了搜索收益、再识别收益、攻击收益和毁伤评估收益的计算公式.通过仿真示例看出,建立的效益函数模型可以实现将子弹药以最适合的任务状态分配给最适当的目标.     

基于MicroBlaze的FPGA重配置系统设计

介绍了Xilinx FPGA的配置模式和配置原理,提出一种基于MicroBlaze软核处理器的FPGA重配置系统设计方案。该方案灵活简便,具有很高的应用价值。     

基于遗传优化的模糊神经网络在管道泄漏检测中的应用研究

提出了一种基于遗传优化的模糊神经网络的管道泄漏检测方法.针对BP算法易受初始权值影响陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优特点,将二者结合起来训练模糊神经网络,进而获得更接近全局最优的网络参数以提高泄漏的估计精度.最后通过对管道泄漏检测的实际数据进行仿真测试,表明该算法可以有效、可靠地运用于管道泄漏检测中.     

基于DAE-MD的电源车柴油机健康状态量化评估方法

针对柴油机健康状态的综合评估问题,结合降噪自动编码机(DAE)深度网络与马氏距离(MD)算法,提出一种基于深度学习与距离融合的电源车柴油机健康状态量化评估方法.该方法首先通过DAE深度网络提取柴油机不同健康状态下的特征序列,建立柴油机健康状态识别模型;为进一步量化评价柴油机的健康水平,又将MD算法引入,度量DAE模型输出状态与正常状态特征序列之间的距离,并将其归一化为健康指数,给出柴油机健康状态的量化评估结果.最后,借助于120 kW电源车模型仿真系统,验证了所提方法的有效性.文中方法通过DAE的分类和MD的计算实现了电源车柴油机健康状态定性与定量评估的融合,为其开展视情预防维护提供了依据.