白冠长尾雉冬季夜栖行为与夜栖地利用影响因子的研究

1999年12月至2000年3月,通过野外观察、无线电遥测以及样方调查对河南董寨鸟类自然保护区白冠长尾雉的夜栖行为和冬季夜栖地进行了研究.结果表明,在研究地区针阔混交林和人工针叶林是其冬季夜栖的2种主要植被类型.由于冬季落叶乔木的盖度显著降低,所以白冠长尾雉的夜栖地的使用受到限制,夜栖树种类也主要限于常绿针叶树种.调查显示,冬季白冠长尾雉的夜栖地一般靠近水源、远离林缘,位于山体中上部坡度较大的地方,夜栖树通常高大并且盖度良好.对夜栖地变量进一步分析表明,冬季影响白冠长尾雉夜栖地利用的主要因素依次为:海拔、栖位下方盖度、灌木密度、坡度、栖枝高度、夜栖区乔木的密度和胸径、栖位上方盖度、坡向以及距水源的距离等.白冠长尾雉的夜栖行为受到多种因素的影响,比较重要的有季节、天气和性别因素.为保护白冠长尾雉的夜栖地,保护区应重视人工针叶林的保护.     

基于超宽带技术的无线传感器网络

针对超宽带(UWB)的设计复杂度低、通信距离短、平均发射功率低等特点可以适用于短距离高速无线通信这一问题,结合超宽带无线传输技术的特点,阐述了超宽带无线传感器网络的主要优势。即:脉冲发生器产生冲激脉冲,超宽带无线电经发射器将载有信息的脉冲辐射出去,再由检波接收器接收。并提出了一种新的编码方法TFS,结果表明它能在低速率数据传输的传感器网络中实现一种简单且具有功效的CMOS操作。     

WFQ与WRR调度算法的性能分析与改进

不同类别的业务对时延及时延抖动的要求是不同的,为了满足不同业务的服务质量(QoS),选择一种合适的队列调度算法至关重要. 研究了分组长度对WRR及WFQ算法公平性以及时延性能的影响,并提出了一种基于分组长度及队列权重的改进型WRR算法——enhanced-WRR. 仿真结果表明,当分组长度相同时,WRR与WFQ的时延性能几乎一致;当分组长度不同时,WRR算法不能保证高优先级队列的时延要求,而E-WRR算法的时延性能逼近WFQ算法,能很好地保证高优先级队列的时延要求,并且极大降低了算法复杂度.      

一种基于传感器的认知无线网络攻击检测和定位方法

针对认知无线网络(cognitive radio network,CRN)中模仿主用户攻击、多面攻击、恶意干扰等常见的安全问题,提出了一种基于传感器的CRN攻击检测和定位方法,它可同时检测多种方式的无线攻击,并对攻击者进行定位,为进一步惩戒其攻击行为做准备.该机制采用多个传感器联合检测接收信号强度(received signal strength,RSS),挖掘无线传输本身的空间去相关性,并且可有效处理CRN中可能的功率调整.基于通用软件无线电平台和频谱仪的实验结果均表明,该机制不仅能精确地同时检测电子欺骗、多面攻击和干扰攻击,而且能以较小误差锁定攻击者,其平均定位误差约为0.9m.     

网络节点缓冲排队优先级控制服务器性能分析

采用嵌入马尔可夫链理论和概率母函数的分析方法,用完全服务规则和限定服务规则构造出网络节点缓冲排队优先级控制器的分析模型,并对其缓冲排队服务器的性能进行了分析,给出了高优先级信息分组和低优先级信息分组的平均排队队长和平均时延公式,同时还给出了计算机模拟实验结果。     

非直达波定位跟踪扩展Kalman滤波算法的改进

针对蜂窝系统移动定位中扩展卡尔曼(EKF)受非直达波(NLOS)影响大,文章提出了一种改进扩展卡尔曼滤波(MEKF)算法;MEKF算法对标准的EKF进行改进,通过加大LOS基站测量值的权值能有效抑制NLOS导致的误差,显著地提高定位精度。文章对算法本身进行了分析,并给出了仿真结果。     

运用多速率处理技术实现软件无线电接收机的数字解调

软件无线电接收机是基于一个通用可编程硬件平台,通过软件来实现各种通信标准。对软件无线电中的关键技术———高速数据采集技术、多速率数字信号处理技术进行了探讨,结合目前器件水平,设计出基于多速率处理技术宽带信号的软件无线电解决方案,即专用可编程器件结合通用DSP处理器完成对中频数字信号解调功能。以AM信号为例进行仿真分析表明:对于宽带中频信号,用低于其信号最高频率的速率采样,数字解调后,完全能够恢复出原始的信号,能较好地完成AM信号的接收解调,满足设计要求。     

金属罐形容器罐底声发射信号的检测研究

基于小波包分析和神经网络的声发射信号缺陷检测方法,提出采用区间小波包分解与能量距相结合作为声发射信号的特征向量,取代了传统的“小波包-能量“特征提取方法,并以金属罐形容器罐底缺陷诊断为例验证了该方法的有效性.结果表明,基于区间小波包能量距的神经网络特征提取方法更好地利用了缺陷信号的主要频带和小波包分析的时频信息,与传统方法相比,能大大简化检测系统的复杂度,提高容器的检测识别率.     

基于ART1和FAM神经网络的认知引擎

认知引擎是认知无线电关键技术之一,其核心是利用人工智能算法完成认知学习、推理与决策功能。自适应满足环境变化和用户需求。提出一种基于ART1和FAM神经网络的认知引擎。该引擎基于MATLAB 802.11a仿真平台模拟无线通信环境,通过对环境信息的学习训练,结合信道特征和用户需求推理决策出系统最优工作参数,实现认知无线电自适应配置。仿真结果表明,该认知引擎能有效实现认知无线电学习推理功能,且算法精度和稳定性均优于SVM及BP网络模型。     

零/低相关区理论在QS-THSS-UWB序列构造中的应用

基于对零/低相关区基本原理的阐述,指出了解决超宽带无线电系统多址干扰的有效途径。通过对当前零/低相关区跳时序列典型构造方法的分析比较,明确了零/低相关区理论在超宽带无线电系统中的应用方式,从而为系统中跳时序列的构造提供了参考。