云计算研究综述

介绍了云计算产生的背景和云计算的定义,辨析了云计算与其他计算形式的区别,阐述了云计算的特点及其体系结构,展望了云计算的发展前景。     

数据结构中递归转非递归算法分析及模型设计研究

为构建数据结构中递归算法的统一知识体系,分析了常见数据结构的递归本质及递归算法的组成要素,提出了递归算法转非递归算法的一般原则,根据递归算法的分类设计转换模型,通过实例分析其可行性.     

星地融合网络中的流量卸载研究

卫星网络与地面网络融合,可以拓展网络覆盖范围、提高网络灵活性以及提升网络资源利用率.针对地面网络流量激增带来的网络拥塞、传输时延长、数据吞吐量低等问题,从网络架构、流量卸载方案、流量卸载决策等3个方面对星地融合网络中的流量卸载进行了研究.从网络架构来看,未来通信网络正逐渐走向卫星网络和地面网络融合的一体化网络;从流量卸载方案来看,星地融合网络中流量卸载的关键技术主要包括软件定义网络、网络功能虚拟化、移动边缘计算以及星间链路协作;从流量卸载决策策略来看,分别基于时延、能耗和吞吐量分析归纳总结了几种主流流量卸载决策策略;指出了星地融合网络中流量卸载研究存在的主要挑战及下一步的潜在研究方向.     

面向园区场景的车道线局部定位检测方法研究

面向校园驾驶场景,提出一种综合性能表现较好的通用车道线检测算法,即局部定位检测法。 首先,采用经典图形学与基于噪声容忍的递归神经网络的学习模型相结合的方法,完成车道线所在局部区域 的检测,对目标车道线的灰度图像进行霍夫变换和灰度拉伸,设计递归神经网络学习模型,以梯度数据作为引导,对算法模型训练学习,以排除梯度信息相似的干扰物,并识别几何属性相关的不完整车道线形态,进而完成补全工作,应用稀疏惩罚,设计具有噪声容忍的递归学习模型,最大效率地利用具有被污染数据标注的 自建车道线图像数据集,以此为基础,采用深度强化学习方法,通过6个标识点对目标车道线进行精确定位, 并基于6个准确的定位点,检测和绘制车道线。     

SDN环境下基于动态阈值的DDoS攻击检测方法研究

软件定义网络SDN技术改变了传统网络中数控结合的局面,简化了网络管理。然而,SDN面对分布式拒绝服务DDoS攻击时也显得捉襟见肘。探讨了SDN环境下基于动态阈值的DDoS攻击检测问题。通过SDN网络的特点,提出了一种由触发检测和深度检测相结合的DDoS检测机制。该机制先根据收集到的流量状态计算网络环境的熵,并根据网络条件推导出一个动态阈值来进行粗粒度的异常预警。深度检测在预警信息后启动,通过基于机器学习的分类算法进行判断环境是否遭受到DDoS攻击。最后通过仿真环境实验表明,该机制可以有效的检测出环境是否遭受攻击,具有较高的检测率和较低的误检率。     

递归神经网络原理及其动态补偿器的设计

从介绍动态补偿设计的意义出发,重点分析了递归神经网络原理及其动态补偿器的设计原理,最后用仿真实验证实了设计的可靠性.     

阿伏加德罗常数测量与千克重新定义

阿伏加德罗常数(N_A)是一个联系微观尺度和宏观尺度的基本物理常数, 它的精确测量可用于重新定义国际基本单位千克和摩尔, 因而有助于推动国际单位制的发展. 现代N_A 测量方法为X 射线晶体密度法, 它以单晶硅为材料, 通过测量其摩尔质量、宏观密度和晶格常量得到N_A, 该方法涉及到的关键技术包括单晶硅材料的生长、大尺寸单晶硅球加工、硅原子量测量技术、X 射线干涉术、精密光学干涉技术、超薄膜厚度及成份测量技术等. 本文综述了现代N_A 测量的研究进展、研究难点和未来的研究方向, 并以千克重新定义为例, 分析了N_A 测量研究在基础计量学领域的重要作用.     

一类新的基因调控网络的稳定性分析方法

借助M-矩阵理论分析了含时变时滞的基因调控网络的渐进稳定与指数稳定性问题.首先利用递归神经网络建立基因调控网络模型,通过选取合适的Lyapunov函数,根据M-矩阵知识推导出使网络稳定的充分条件,最后通过实例验证了此方法的有效性及简便性.     

递归程序变换的一种新模式一CZ变换

本文讨论?递归程序模式 f(x)≡IF b(x)THEN h/(x)ELSE F(g(x),f(k(x))的等价变换问题。首次提出CZ变换,它跟熟知的Cooper变换和反演变换一起可将相当多的此类模式转化为等价的尾递归模式,通过6个实例说明这三种变换各自的特点。     

Fibonacci问题的解模型

给出了Fibonacci问题的一种新的解模型。通过这个模型，找出了兔群的转移规律，得到一个与传统的递归解完全一样的非递归算法。