基于趋势相关性的传感器网络故障检测算法

提出一种基于趋势相关性的分布式故障检测算法(FDTS).该算法通过比较无线传感器网络中待测节点与邻居节点的趋势差异和邻域中值差异得到检测结果.在此基础上,为避免因频繁检测所引发的过度能量消耗,基于三次指数平滑法设计了故障检测触发机制.仿真结果表明:算法中趋势相关性阈值与故障检出率和误检率呈正相关,中心一致性阈值与故障检出率和误检率呈负相关;所提算法面对四种常见故障类型均具有较好的检测精度.当网络中故障节点比例达到25%时,对于四种故障类型,至少可以检出75%的故障节点,而误警率低于20%.     

GPS接收机自主完好性监测算法可用性分析

以全球定位系统(GPS)为研究对象,研究水平定位误差保护级(HPL),阐述自主完好性监测(RAIM)算法故障监测和可用性原理.结合导航性能在航空应用中的需求,对影响RAIM可用性的因素进行数据仿真分析.结果表明,漏检率一定时,RAIM可用性随着误警率降低而降低;误警率一定时,RAIM可用性随着漏检率降低而降低.RAIM算法的可用性随着截止高度角降低和可视卫星数增加而提高.研究结果为采用RAIM算法进行故障卫星的检测和隔离提供了一定依据.     

基于词表树结构填料模型的关键词检测技术

关键词检测技术是语音识别领域中一个重要的研究方向。对于关键词检测系统来讲,若要求达到高检测率的同时希望虚报率较低,仅仅建立关键词模型是不够的。填料模型的结构和类型对整个系统的性能相对会有更大的影响。对于非特定说话人的连续语音中出现的非关键词语音提出建立一种新的有效的基于词表树结构的填料模型。实验结果表明,与传统的基于音节格和音节聚类的填料模型相比,关键词的检测率有了很大的提高,系统的综合性能较好,具有一定的可行性和实用性。     

基于Rayleigh分布杂波模型的动态目标检测算法

为了解决传统的动态目标检测算法在功率波动明显的非均匀复杂背景噪声下,检测性能严重下降的问题,基于杂波分布模型和恒虚警理论,提出一种基于Rayleigh分布杂波模型的单元最大最小平均恒虚警(CMMA-CFAR)检测算法,通过均值和均方差估计噪声平均功率并动态调整检测门限参数,在保持较低虚警率的前提下,提高目标的检测率.采用了数字滤波器组降低旁瓣功率,抑制强杂波干扰.经过与其它算法仿真对比,该算法具有最优的检测性能,检测率大于95.00%.该方法已应用于车辆开门防撞预警系统,在奇瑞G5车型上进行了标定测试,针对典型接近目标:自行车、摩托车和轿车,平均预警率大于97.50%,误警率小于3.00%.结果表明,该算法在杂波边缘干扰和非均匀噪声背景下,仍具有良好的检测性能.     

基于语义联系的新闻网页关键词抽取

提出一种基于语义联系的新闻网页度,还考虑词语在具体上下文中的相关性,用词汇链将词语语义联系表示成图形式,在此基础上抽取出新闻网页关键词.对从网易网站选取120篇有核心提示的新闻网页进行测试,实验结果表明,所提出的方法比基于词频的关键词抽取方法和基于<知网>语义相似度构建词汇链的关键词抽取方法,在准确率和召回率上有很大的提高,当抽取关键词个数为3时,比基于词频方法的准确率和召回率分别提高了27.77%和21.38%.     

快速路交通事件检测方法

为了提出一种适用于任何流量并具有较高检测率和较低误警率的快速路交通事件检测算法,以统计理论、突变理论为基础,设计了事件影响指数检测算法.利用交通量数据,检验纵向时间序列与横向时间序列上流量的波动性和正态拟合性;分析事件数据与非事件数据的差异,得出交通事件数据变化特征.分析结果表明:纵向时间序列的波动性和正态拟合性优于横向时间序列;事件数据具有多模态、不可达、突跳等突变性特征.该算法误警率为0,检测率比经典的Cali-fornia算法高出10%.不同流量下的检测效果对比表明,该算法适用于各种流量,低流量状态下的检测效果更好.     

用于关系数据库关键词查询的基于划分的候选网络生成算法

为了提高关系数据库关键词查询的性能,提出了基于划分的候选网络生成算法,并分析对比了基于广度优先扩展的候选网络生成算法.利用候选网络的同一性,通过改写图的同构算法为查询结果生成算法提供无冗余的候选网络集合.分析和实验结果表明,当关键词个数与最大候选网络尺寸较小时,2种算法的执行时间和所生成的候选网络数量相近.随着关键词个数与最大候选网络尺寸的不断增大,采用划分策略的候选网络生成算法能够大幅度减少候选网络的冗余,缩短执行时间.当最大候选网络尺寸大于6,关键词个数大于4时,性能改进可达到10倍以上.可见,基于划分的候选网络生成算法适应于中、大规模数据库关键词查询系统.     

云计算环境中移动网络低匹配度异质信息入侵感知预测算法

针对传统灰色神经网络组合预测算法对网络中入侵信息预测时, 缺乏对低匹配度异质信息的预处理过程, 未对信息入侵攻击意图进行预测, 存在预测准确率低以及入侵防御性能差等问题, 提出一种新的云计算环境中移动网络低匹配度异质信息入侵感知预测算法, 通过灰色模型对初始网络低匹配度异质信息进行预处理. 先采用基于元路径的低匹配度异质信息入侵感知预测算法得到入侵攻击意图矩阵, 再根据该矩阵获取入侵攻击意图函数关系, 实现低匹配度异质信息入侵攻击意图预测. 仿真实验结果表明, 该算法可全面预测信息入侵的意图和过程, 对入侵信息节点防御成功率约为85%, 误警率和漏警率较低, 并具有较高的预测精度.     

云计算环境中移动网络低匹配度异质信息入侵感知预测算法

针对传统灰色神经网络组合预测算法对网络中入侵信息预测时, 缺乏对低匹配度异质信息的预处理过程, 未对信息入侵攻击意图进行预测, 存在预测准确率低以及入侵防御性能差等问题, 提出一种新的云计算环境中移动网络低匹配度异质信息入侵感知预测算法, 通过灰色模型对初始网络低匹配度异质信息进行预处理. 先采用基于元路径的低匹配度异质信息入侵感知预测算法得到入侵攻击意图矩阵, 再根据该矩阵获取入侵攻击意图函数关系, 实现低匹配度异质信息入侵攻击意图预测. 仿真实验结果表明, 该算法可全面预测信息入侵的意图和过程, 对入侵信息节点防御成功率约为85%, 误警率和漏警率较低, 并具有较高的预测精度.     

FNN在火灾探测系统中的应用

尝试将模糊神经网络(FNN)应用到消防系统中,利用FNN对火灾信号进行处理,使其不仅能有效降低消防系统的漏报警、误报警率,而且还可以适应各种不同的环境和工作条件,从而真正实现消防系统的自适应。该方法结合了神经网络和模糊逻辑的优点,弥补不足,优势互补,具有很大的优越性。将此算法转化为C语言代码应用到测试系统中,系统在降低误报警、漏报警方面有着明显改善。