基于动态可调簇的无线传感网络能量感知数据存取算法

针对无线传感网中数据收集、存储和查询的需要,提出了一种基于动态可调簇的能量感知数据存取算法ACEDBA(Adjusted Cluster-based energy-aware Data Brokerage Algorithm).该算法将网络节点分成许多簇结构,簇内节点负责数据采集,簇首节点负责簇内数据的收集、汇聚和转发,数据可以集中存储,也可以分布存储在各簇首节点或本地存储.算法引入能量分级消耗机制,可动态选择和调整簇首节点,保证各簇首节点簇内数据存储和簇间数据转发查询的能量平衡.实验结果表明,与典型数据存取算法相比,该算法的节点能耗均衡、生命周期和查询成功率方面具有优势.     

基于小波蚊子的车联网性能评价方法

数据传输可靠性已成为车联网研究的热点问题,首先给出了车辆之间数据传输可靠性的评价方法,并结合小波变换和群蚊子算法对数据评估模型进行求解,同时通过引入分类机制和决策权来引导搜索方向,以此加快算法收敛速度.最后利用仿真实验平台深入研究了影响该算法的关键因素,并讨论了数据包大小、车辆间距、发送功率和车辆速度与数据成功发送率之间的关系.与其他算法比较,该算法显示出较好适应性.     

关于强基-仿紧空间的刻画

本文给出强基-仿紧空间的一些等价刻画,获得以下结果：设X是正则空间,则下列3个条件等价：（1）X是强基-仿紧空间;（2）X存在-基B=,有｜B｜=ω（x）,使得对于x的每个开覆盖u,存在B’=CB=,使得B’=覆盖X,且由B’=的元的闭包构成U的星形有限的加细;（3）X存在-基B=,有｜B｜=ω（X）,使得X的每个开覆盖U有一个由B=的元构成的星形可数的开加细。     

大兴安岭北极村蝶类资源调查

2008年6月下旬至7月中旬,对大兴安岭北极村进行蝶类资源调查,共采集到蝴蝶683只,分别隶属于7科34属44种.种类以蛱蝶最多,眼蝶次之,凤蝶和绢蝶最少,其中1种为首次采到,2种为黑龙江省新记录种.在大兴安岭北极村分布的蝴蝶具有明显的生境区域性,本次调查将对于研究黑龙江省的蝶类种群分布具有重要意义.     

地黄块根膨大过程中土壤化感物质含量及微生物数量变化研究

以怀地黄为实验材料,对地黄块根膨大速率动态变化及地黄根际土壤中的潜在化感物质阿魏酸、香草酸、香草醛、对羟基苯甲酸含量的动态变化进行了研究分析.结果表明:①块根膨大速率动态变化呈一双峰曲线,第1个高峰出现在栽秧后70～130 d,第2个高峰出现在栽秧后150～190 d.②根际土壤中的阿魏酸、香草酸、香草醛含量变化与块根膨大速率变化动态相似,对羟基苯甲酸表现为先上升后下降;阿魏酸与地黄块根的膨大正相关;地黄块根膨大过程中根际土壤放线菌、真菌数量均明显增加,根际微生物可能将地黄根系分泌物进行生物转化生成了导致地黄连作障碍的酚酸类化感物质.     

基于数据仓库和作业的高效改进Apriori算法

数据挖掘需要有"纯净"的数据和良好的数据组织,数据的质量直接影响到数据挖掘的效果,数据仓库从各类数据源中抽取数据,经过清洗、集成、选择、转换处理,为数据挖掘所需要的高质量数据提供了保证.本文提出以数据仓库为数据源,采用作业定时预先生成简化的频繁2.项集,应用存储过程执行效率高的特点,在压缩数据库大小的同时也压缩频繁i项集的大小,实现高效改进Apriori算法.     

适用于自适应网络防御的联合云计算框架

为了解决云计算中网络安全防御策略部署问题,提出一种适用于自适应网络防御的联合云计算框架.该框架由治理层和互操作层组成,使用LocalHub,StateHub和FederalHub共3个集线器将独立的管理层连接起来,能够根据云计算中不同事件来计算和部署网络防御策略,满足部署网络防御解决方案和分布式计算所需的标准和复杂服务.文中给出联合云计算系统模型及其构建单元,以及所提模型的好处和实施带来的一些挑战.该云计算联合框架解决了终端用户存在的问题.实验表明:当事件响应中涉及更高级别的联合框架时,对应的延迟变高,事件响应成功的概率增大.在本文联合云计算框架中网络防御的性能优于其他2种云计算框架.     

基于面向油田开发决策支持系统的数据仓库

以油田开发决策支持系统软件为依托,对元数据管理、联机分析、数据挖掘、决策支持等数据库解决方案中的关键技术进行了综合分析论证,并结合石油专业领域特色,提出了建立基于数据仓库的石油企业勘探开发决策支持系统的新思路,并创新地建立数据仓库与知识库相结合的石油企业决策支持系统的结构模型.     

基于差分自回归移动平均模型、长短期记忆网络模型及相关模型的无人机俯仰角预测

为了提高无人机俯仰角故障数据处理和预测的精确性和可靠性,避免增加无人机试飞成本,利用长短期记忆网络（Long Short Term Memory,LSTM）、注意力机制+LSTM模型和差分自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）模型预测无人机试飞俯仰角故障数据。结果表明,ARIMA预测结果：MAE（Mean Absolute Error）=0.35,RMSE（Root Mean Square Error）=0.73,MAPE(Mean Absolute Percentage Error)=23.80%;LSTM模型预测结果：MAE=0.49,RMSE=0.74,MAPE=45.20%;注意力机制+LSTM模型预测结果：MAE=0.17,RMSE=0.53,MAPE=18.93%。可见注意力机制+LSTM模型比其余两种模型更适合于试飞俯仰角的数据预测,以上三种方法对无人机故障数据预测都具有实际意义,有效的预测可以推进自动飞行器和移动机器人的异常检测或外国直接投资研究的最新进展,以进一步提高自动和远程飞行操作的安全性。     

异构时空数据的转换机制研究

目前时空模型难以兼顾时空语义表达与计算机实现困难的现状,形成不同部门、不同应用、不同时期的时空数据在语义、模型、结构等方面的差异,阻碍了时空数据之间的相互转换,限制了历史数据在预测预报等领域重要作用的发挥.在总结时空数据模型特点的基础上,试图以一个崭新的视角分析时空模型的发展历程;在此基础上,采用图论这一通用数据结构与数学描述方法.构建具有完备性的时空数据描述模型;探讨由此引发的异构时空数据的转换机制.最后,在异构时空模型之间的转换机制中分析了该模型的特点.