基于数据流技术的电信网络异常检测模型研究

通过分析当前电信网络中数据流的特点,结合当前研究成果,给出SWDM数据流入侵检测模型。模型对基于密度和基于距离的两种算法分别进行了改进,将两种算法有效结合,该模型的入侵检测效率有了较大的提高。     

克拉玛依油田注水井解堵增注技术研究

随着开采时间的延长,注水开发油田地下矛盾进一步突出,产水量不断上升,产量逐年递减。克拉玛依油田 自投入开发以来实施污水回注,由于回注污水水质不达标等因素,造成地层堵塞严重,注入压力高,注入量少。通过分 析注水井动态资料和堵塞物情况,剖析了注水井的堵塞机理,针对不同堵塞机理,研制了相应的解堵剂,并对解堵液溶 蚀岩样、降解聚合物、清除FeS 垢进行了室内评价实验。结果表明,该解堵液溶蚀能力强,可大幅降低聚合物溶液的黏 度、可氧化分解聚合物凝胶,能有效清除FeS 垢。对水敏性储层砂岩酸化所存在的问题,采用FP 1 防膨剂酸化增注 工艺。现场实施后,措施效果显著,这对于其他油田类似现象有一定的借鉴意义。     

车用燃气压力表在线检定的研究

目前,车用燃气压力表的检定是把车用燃气压力表从燃气改装车辆上拆下来,然后拿到实验室并安装在压力表校验器上,按照国家检定规程要求完成该压力表的检定工作后,再从压力表校验器上把该压力表卸下来,然后再安装到燃气改装车辆上。这种常规的检定方式有以下缺点：1、这个过程比较繁琐,中间环节较多,用时较多;     

浅谈我国现阶段投资网球运动的收益

网球是一项集趣味性,观赏性与竞技性于一体的健身运动.本文对网球的商业运作、场地投资情况作了分析介绍.     

基于改进禁忌搜索算法的立体车库搬运器路径优化建模与仿真

为提升平面移动式立体车库运行效率,通过对搬运器位置转移过程及服务时间进行分析,建立多条件约束的搬运器最短服务时间调度模型,考虑立体车库固定容量下不同层列组合方式及顾客到达率影响因素,提出了一种改进禁忌搜索算法提高搬运器路径搜索速度,设置对照组进行仿真实验,结果表明：6×16的层列组合下算法初始解的服务效率指标最佳;当顾客到达率为12、20 veh/h时,搬运器平均利用率低于50%,相较实例车库搬运器平均服务时间分别减小8.59%、10.29%,当顾客到达率为40、60 veh/h时,搬运器平均服务时间分别减小2.92%、1.5%。可见顾客到达率水平不同,算法适用性不同,在搬运器平均利用率小于50%的情形下算法表现更优,最后以工程项目数据进行验证,证明算法在实际工程中有较强可行性。     

惰性粒子流化床干燥器中干燥强度的关联模型

针对气体分布板开直孔的惰性粒子流化床干燥器,以洗衣粉悬浮液为对象,考察了进风速度、惰性粒子直径、进料体积流量、物料初始质量分数、进风温度和静床高对干燥强度的影响,并与气体分布板开斜孔的干燥器干燥强度进行了初步比较。结果表明：适当提高进风速度、进料体积流量、进风温度、静床高,或将气体分布板的孔道由直孔改为斜孔,干燥器的干燥强度将增大;相反,若提高惰性粒子直径或物料初始质量分数,则干燥器的干燥强度将减小。在此基础上,结合因次分析法,建立了用于计算干燥强度的准数关联模型。     

多域作战下的群目标意图识别与预测

多域作战具有实体多类、队形多变、意图多样等诸多挑战，难以综合利用多元知识，因而主要依靠人工判决，以至于自动化水平不高。为了实现计算机自动推演态势，需要解决知识的图形化建模和意图推理综合两大难题。对此，在空海域管控知识图谱的基础上，搭建了多域作战战术规则库、编队队形与场景态势的映射关系，提出了基于多实体分层贝叶斯网络的群目标意图识别与预测方法。首先，运用群内目标实体的状态和事件信息，构建目标作战实体行为推理层。其次，利用综合作战实体的时序规则、双方相对距离及航向等信息，构建同类目标元意图推理层。最后，利用实体序列协作关系及编队队形信息，构建多域作战下的群目标总意图推理层。以航母群活动仿真数据为例，验证了所提算法能够获得较为可靠的意图推理结果。     

平面移动式立体车库动态库位分配策略建模与仿真

平面移动式立体车库在车位分配过程中存在顾客排队等待时间过长，车辆出入库效率低下的局限性。为减少顾客等待时间，提高立体车库服务效率，提出一种动态库位分配策略：以蜻蜓算法优化的BP神经网络模型预测车辆的停留时间，并根据车辆停留时间对车库车位进行区域选择，最后利用禁忌搜索算法搜索出该区域内最适宜的车位位置。同时，将顾客平均等待时间，平均等待队长，平均服务时间和车库运行能耗作为评价指标与现有库位分配优化方式进行对比分析，仿真结果表明：该策略能够更为有效地减少顾客等待时间，提高立体车库整体作业效率。     

基于图注意力网络的多行为推荐算法

现有的多行为推荐系统未有效利用不同层次的图传播信息，难以捕获用户不同行为的影响。为解决此问题，文章提出了一种基于图注意力网络的多行为推荐模型(GABR):首先，采用小批量采样节点嵌入方法聚合同一行为类型交互的邻域节点，以提高特征表示效率；接着，采用注意力机制学习不同行为类型的影响系数，以进一步融合节点特征；然后，合并多层用户和项目表示，以有效利用不同层次的图传播信息；最后，将已交互的用户-项目对和随机采样未交互过的用户-项目对作为正负样本对来训练目标模型，以优化模型性能。为验证模型推荐性能，在3个真实数据集(Yelp、Scholat、Beibei)上与现有9种推荐模型进行对比。实验结果表明GABR模型能够有效利用融合了不同行为类型影响系数的多层图传播信息，更好地预测用户偏好：在3个真实数据集上，与目前最佳的基线模型(GNMR)相比，GABR模型的HR、NDCG平均提高了1.73%、2.43%。