APSK信号载波相位的精同步方法

对于APSK信号的精载波相位恢复,混合NDA/DD方法具有实现简单的优点,但其抖动方差比较大。为获得更好的抖动方差性能,提出了一种改进的精载波相位恢复方法。该方法基于星座分割和一种受控的非线性运算,通过星座分割充分利用APSK星座各圈信号的有用信息,而受控的非线性运算则起到最小化抖动方差的作用。仿真对比结果表明,改进方法的抖动方差性能比混合NDA/DD方法改善2 dB以上,而算法复杂度的增加有限。该算法可用于对APSK载波相位同步要求较高的场合。     

基于OpenMP矩阵相乘并行算法的设计

目的设计并实现一种基于数据划分的矩阵乘法的并行算法,将划分的数据交给多个线程同时执行,充分挖掘计算机的性能。方法根据OpenMP并行编程的基本风格,并在Visual Studio2005上搭建能够实现并行编程的环境平台。结果并行算法所花费的时间较非并行算法短。结论通过与非并行矩阵乘法性能进行比较,验证该算法可以有效地利用多核处理器的优势。     

基于离群点检测的K-means算法

K-means算法以其简单、快速的特点在现实生活中得到广泛应用。然而传统K-means算法容易受到噪声的影响,导致聚类结果不稳定,聚类精度不高。针对这个问题,提出一种基于离群点检测的K-means算法,首先检测出数据集中的离群点,在选择初始种子的时候,避免选择离群点作为初始种子。然后在对非离群点进行聚类完成后,根据离群点到各个聚类的距离,将离群点划分到相应的聚类中。算法有效降低离群点对K-means算法的影响,提高聚类结果的准确率。实验表明,在聚类类别数给定的前提下,在标准数据集UCI上该算法有效降低离群点对K-means算法的影响,提高了聚类的精确率和稳定性。     

一种基于密度的空间聚类算法

针对DBSCAN算法I／O开销和内存消耗大的缺陷,提出了基于层次合并的密度算法,基于密度的空间聚类算法可以有效地过滤噪声和孤立点数据,该算法在对于处理较大数据集上具有较大优势。     

基于并行叠加的国土空间开发适宜性评价

在国土空间大数据环境下,基于传统串行叠加分析计算的国土空间开发适宜性评价性能已达极限,需研究并行化方法,以利用更多的计算资源提升国土空间开发适宜性评价的效率.在分析基于多空间对象叠加综合评价原理的基础上,通过引入空间数据预处理方法、空间数据划分方法及并行空间索引,提出并实现了以并行叠加分析为核心的国土空间开发适宜性评价方法.西南四省的国土空间建设用地适宜性评价应用实验表明:本文方法相比传统方法性能提升了至少30倍,且节约了大量的人力物力资源,解决了传统架构下国土空间开发适宜性评价计算效率低或无法胜任的难题.     

一种基于模拟退火算法的硬件/软件分解方法

嵌入式系统设计的一个重要环节是硬件/软件分解,通常在系统设计初期解决该问题·硬件/软件分解问题是NP完全问题,无法在有效时间内寻找到满意的分解方案·基于此提出了一个基于模拟退火算法的硬件/软件分解方法,采用了相邻块通讯分解模型以及由单处理器和专用硬件模块构成的目标结构,解决了硬件约束条件下系统执行速度的优化问题·为寻找到性能优良的分解方案,定义了分解优化目标及代价函数,确定了初始温度、终止温度、温度衰减函数等几个控制模拟退火的关键参数,并探讨了模拟退火的停止规则·与贪心算法相比,该方法可以在合理的时间内为嵌入式系统寻找到满意的解决方案·     

核废物处理途径的探讨

介绍国际上关于核废物处理的一般技术和途径,以及最新的处理方法。结合我国的核能发展情况探讨在核废物处理方面我国今后应开展的工作。     

试论军事装备学学科体系的二维划分

长期以来,人们对军事装备学学科体系的划分,习惯于按照研究对象领域来进行。在钱学森依据学科知识在人们认识世界和改造世界中的作用,提出了学科体系划分的另外一种方法后,提出了把二者有机结合起来对军事装备学学科体系划分的二维（即研究对象维和知识作用层次维）划分方法,以期实现两种截然不同方法的统一。     

基于亮度残差的EVC视频编码的快速CU划分算法

基本视频编码标准(essential video coding,EVC)采用了新的四叉树与嵌套多叉树(quadtree plus multi-type tree,QTMT)分区结构,使视频编码的效率大大提高,其中QTMT包括四叉树分区、水平和竖直二叉树分区以及水平和竖直三叉树分区。然而,随着编码效率的提高,编码的复杂度也在增加。根据EVC编码单元(coding unit,CU)的亮度残差值设计了一种全新的CU快速划分算法,CU的亮度残差值是由原始亮度值和预测亮度值之间的差异得到的,利用残差值,建立了一个CU提前终止模型,有效地降低了编码的复杂性。大量的实验结果表明,本文提出的方法平均减少了31.56%的编码时间,而Bjntegaard delta rate的增加也是较小的。     

基于生成对抗网络的入侵检测类别不平衡问题数据增强方法

数据类别不平衡问题是制约机器学习技术在入侵检测领域应用效果的重要因素。当训练数据不均衡时,训练得到模型的分类结果往往倾向多数类,从而极大影响分类效果。针对基于机器学习算法进行入侵检测时训练样本不均衡以及由于数据隐私性导致训练样本不足和更新慢的问题,提出一种基于生成对抗网络和深度神经网络相结合的入侵数据增强方法,以实现样本集的类别均衡。通过NSL-KDD数据集对模型评估,本文所提方法不仅具有较高的准确率,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。