学分制系统中授权管理的设计与实现

针对学分制管理系统用户级别多、控制复杂、难管理等问题,设计并实现了一种授权管理子系统.该系统基于RBAC思想进行设计,能有效防止权限滥用和越权访问,实现了职责分离和权限最小化原则,降低了授权管理的复杂性,是解决网络信息系统授权管理的一种有效方案.     

CRC算法在计算机网络通信中的漏检分析

在计算机网络通信中,为了降低数据通信线路传输的误码率,可以采用一种差错检测控制——循环冗余码验(CRC).介绍了CRC算法的原理、CRC算法的校验规则、CRC算法分析、CRC算法的漏检分析.     

现代网络业务流的几个基本定律

为了采用有物理意义的参数,在多个时间尺度下对现代网络业务流进行建模,考察了网络流量长相关(LRD)的基本特征,提出了业务流中满足的几个基本定律,揭示了在流量中描述LRD定量关系的参数cγ(或cf)、流量聚集级m、平均到达率l之间的基本关系,并通过实际测量的数据加以验证.所提出的定律表明:(1)流量确实存在LRD行为;(2)平均到达率(TCP和IP流等)与参数cγ(或cf)存在一定的统计定量关系.     

基于遗传算法的制造网络服务质量优化

服务质量的合成是面向服务架构系统面临的重要挑战,评价面向服务架构制造网络最优化的典型标准是加工时间成本和系统响应时间.文中提出了一种应用遗传算法解决制造网络服务质量优化问题的新方法.首先用着色Petri网和排队论分别对制造网络的物流和信息流进行建模,然后应用遗传算法对该模型进行调度并获取服务质量的近似最优解.在该算法中,染色体采用分段基因编码,它们分别是制造网络物流和信息流调度方案的规则与加权系数的组合;遗传操作包括选择、交叉、变异3种类型.在每一代种群中,通过仿真得到与每个染色体相对应的各项性能指标值,以模糊综合评判方法求取制造网络服务质量适应度的函数值.实验结果表明,该方法能有效优化制造网络的服务质量.     

利用神经网络外推中垂面上低仰角HRTF的方法

为了构建关于仰角方向连续的头相关传输函数(HRTF),提出采用径向基函数神经网络外推中垂面上低仰角方向HRTF的方法.基于KEMAR人工头和真人的数据,对3种不同网络输入方式下外推方法的有效性进行了研究.结果表明:外推值和测量值的相关系数可达0.93;增大网络输入的数据量、减小外推方向和已知方向的空间距离可提高外推的准确性;外推的误差随频率的升高而增大.     

正弦函数混沌神经网络研究

通过复合正弦函数和Sigmoid函数构成激励函数,构造了一种新的暂态混沌神经网络.对混沌神经元模型的倒分岔和Lyapunov指数谱图进行了分析.基于这个神经元模型,建立了混沌神经网络.对各参数进行了网络寻优能力的比较和分析.通过对非线性连续函数的寻优问题的解决,验证了该网络的有用性和有效性.     

基于网络局部和全局特性的组合中心性度量措施

阐述了复杂网络中节点的中心性(即节点的重要性)对网络鲁棒性的重大影响,评估节点的多种重要性方法各自的优点与局限性.结合逆和指数ISI、度中心性DC以及介数中心性BC提出一种基于两种人工网络和两种真实网络的组合中心性度量方法IDB,利用删除节点前后网络的最大连通子图的变化对节点的重要性进行刻画仿真实验,验证了该方法的可行...     

基于故障树分析和贝叶斯网络方法的液压举升机构故障诊断

为应对液压举升机故障原因复杂,诊断方法准确性不高等问题,提出一种基于故障树和贝叶斯网络的液压举升机故障诊断方法。首先建立液压举升机构故障树,然后将故障树转换为贝叶斯网络,利用三角模糊函数表示举升机底事件发生概率,得到底事件模糊概率,将其做为先验概率计算叶节点发生概率,进而求得根节点后验概率以及概率重要度,可快速诊断出故障点。     

基于M-ANFIS-PNN的目标威胁评估模型

目标威胁评估的目的是根据目标的属性和状态信息对目标的威胁程度进行定量估计,为后续作战决策提供辅助支持。现有威胁评估模型大多依赖于数值信息,难以有效处理包含定性、定量数据的目标特征信息。基于此,提出一种改进的自适应模糊神经推理系统模型。在自适应模糊神经推理系统的基础上,引入前件影响矩阵和后件影响矩阵对定性数据进行处理,使得定量、定性数据的影响同时作用于模糊规则的前件参数和后件参数;为了进一步提高模型的输出精度,将自适应模糊神经推理系统的输出层替换为多项式神经网络;通过基于Gower距离的近邻传播聚类算法对改进模型进行结构辨识,确定模糊规则的初始参数。仿真实例验证了所提方法的有效性与可行性,与其他混合属性数据建模方法相比,所提方法具有较高的预测精度,可为作战指挥决策提供有效的辅助支持。     

基于神经网络的高并行大规模MIMO信号检测算法

随着5G和未来移动无线网络的不断发展,大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加,给接收机的设计带来更高的挑战,复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中,单层神经网络基于该算法的每次迭代,并将其与可训练的权重参数和非线性神经单元相结合,提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数,进而提高检测性能。实验结果表明,所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低,并能够得到更低的误码率;同时相对HP并行检测算法误码率性能更优。