资源描述框架在都柏林核心集的应用

资源描述结构是由WBC主导和结合多个元数据团体(如都柏林核心集等)所发展而成的一个架构．可用来携带多种不同的元数据来往于因特网和WWW上。本文主要是介绍“资源描述架构”及其在“都柏林核心集”的可能应用，本文还介绍了RDF的核心数据模式，以及“具体化”和“声明”等机制。     

安全多数据库系统实体认证

多数据库系统在运行过程中,从用户认证信息、会话密钥到大量的查询结果等敏感信息都要通过公共计算机网络在广泛分布的各计算实体间传输.因此,安全问题显得尤为重要,其中实体认证、报文认证是两个主要安全问题.本文从典型的分布式系统认证协议-Kerberos入手,结合多数据库系统的特点,在局部信任全局的前提下,按全局层间接认证局部系统用户的方案,提出了多数据库系统的认证体系结构.并给出了可能的实施方案.     

检测强噪声背景下周期信号的混沌系统

用混沌系统实现了对强噪声背景下周期信号的检测. 仿真实验表明, 由修正的Duffing-Holmes方程所构成的混沌系统对被噪声覆盖的微弱周期信号非常敏感, 对噪声具有一定的“免疫力”, 其信噪比工作下限可达到约-91 dB.     

混合弹流润滑系统的建模与摩擦学特性研究

为了研究粗糙表面微凸体对混合弹流润滑区摩擦学特性的影响,建立了考虑粗糙表面微凸体的弹流润滑数学模型,可呈现粗糙表面的局部接触状态。通过生成虚拟粗糙表面,分别利用K-E弹塑性接触模型和平均流量雷诺方程计算微凸体接触压力与流体动压力,并且利用快速傅里叶变换技术计算基体的弹性变形量;通过绘制润滑系统的Stribeck曲线,研究了虚拟微凸体、名义载荷、综合粗糙度和微凸体曲率半径对弹流润滑摩擦学特性的影响。结果表明:微凸体的接触压力产生基体弹性变形,使膜厚增加,导致流体动压力减小,微凸体承载比和摩擦因数增大;名义载荷增加导致低速时摩擦因数变小,润滑状态在更低速条件下从边界润滑过渡到混合润滑;综合粗糙度的减小会使Stribeck曲线向左移动;微凸体曲率半径的增大仅使润滑状态加快从边界润滑过渡到混合润滑,然而对从混合区域过渡到弹流区域几乎没有影响。     

我=我们

每个人的内心深处都有若干个怀有不同愿望的自我，并且每个自我都努力地要占据主导地位。当每个“自我”目标不同时，一个“自我”能够约束另一个“自我”吗？     

EHGFs方向可控滤波压制地震勘探随机噪声

为有效提取地震信号同相轴信息, 解决以哈密特-高斯函数(HGFs: Hemite-Gauss Functions)为核函数的方向可控滤波器因无方向性而导致同相轴被降频的问题, 引入以拉伸哈密特-高斯函数(EHGFs: Elongated Hemite-Gauss Functions)为核的方向可控滤波去噪方法。该方法考虑有效信号与随机噪声在方向性上的差异,
通过近似拟合方法构造EHGFs 方向可控滤波器, 借助EHGFs 具有明确的方向性, 滤波时沿着轴向进行滤波,提高线性度, 减少平滑作用, 取得方向滤波数据后再根据数据局部数字特征进行数据重组, 达到去噪效果。实验结果表明, 该方法具有明显压制随机噪声、恢复有效信号的效果。     

陆地地震勘探环境噪声的混沌性建模研究

为提取地震资料中的有效信息, 了解环境噪声的性质和产生机制, 提出了一种陆地地震勘探环境噪声的混沌建模方法。该类环境噪声具有混沌性出发, 采用经典混沌杜芬(Duffing)系统对中国林带测区的环境噪声进行建模。根据Duffing 系统的非线性特征, 采用MCMC(Markov Chain Monte Carlo)算法对系统参数进行求解,并对模拟噪声记录与实际环境噪声从时域波形, 相态图, 频谱图以及李雅谱诺夫(Lyapunov)指数等方面进行对比分析。结果表明, 模拟噪声记录可保持实际环境噪声的混沌性, 且在时域波形, 相态图和频谱图上拟合较好。利用此模型获得的替代数据更加接近实际噪声, 从而为压制环境噪声提供新对策, 为复杂环境下的地震勘探提供理论支持。     

风力发电机组最佳功率追踪自适应模糊PID控制

针对变速恒频风力发电系统,以额定风速以下风能的最大利用率为目标,设计了基于自适应模糊PID控制的风能最佳利用追踪控制器.该控制器对叶尖速比进行控制,运行时根据实际输出的叶尖速比与其最优值间的误差及误差变化率在线实时调整PID参数,实现自整定,达到风能利用系数最佳的功率追踪目标.通过仿真对几种控制方法进行对比分析,结果表明,自适应模糊PID控制能够将风能利用系数和叶尖速比均控制在最优值附近,系统的稳态性能和动态性能都较好,控制效果优于PID控制和模糊控制.     

Shearlet域深度残差CNN用于沙漠地震信号去噪

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet 变换的深度残差卷积神经网络( ST-CNN: Deep Ｒesidual Convolutional NeuralNetwork for Shearlet Transform) 模型,实现沙漠地震信号的随机噪声压制。在训练阶段,将沙漠地震信号经Shearlet 分解后的系数作为输入,将随机噪声经Shearlet 分解后的系数作为标签,通过卷积神经网络( CNN: Convolutional Neural Network) 学习输入和标签之间的映射关系; 在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet 反变换获得有效信号。通过与传统的Shearlet 硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从－ 4． 48 dB 提高到14． 15 dB,具有更好的去噪效果。     

用Melnikov函数的数值积分法估计混沌阈值

用Melnikov方法对含高阶非线性项的微分方程进行研究。由于很难得到Melnikov函数的解析表达式,故采用数值积分法求解,从而得到可能出现混沌的阈值曲线。并由给定参数计算出相应的混沌阈值,数值仿真结果与Melnikov函数的数值解是一致的。