基于MMSE光正交频分复用系统信道估计算法研究

由于自由空间光通信的信道是随机的大气信道,光信号在其中传播必然会受到灰尘、雨滴、雾等粒子散射的影响,为了提高系统抗噪声干扰能力,在原有LS信道估计算法的基础上,设计了基于MMSE算法的光正交频分复用系统信道估计流程,并通过Monte Carlo方法对其进行了仿真验证,结果表明MMSE信道估计算法可以很好地改善系统性能.     

两个数论函数的混合均值

(A)n∈N+,著名的F.Smarandache LCM 函数SL(n)定义为最小的正整数k使得n|[1,2,…,k],即就是SL(n)=min{k:n|[1,2,…,k]}.利用初等的方法研究了Smarandache LCM函数SL(n)与Mangoldt函数Λ(n)的混合均值问题,并给出了一个较强的渐进公式.     

利用后溯重调度过程优化簇间数据交互

在多簇处理器情况下,指令应用所带来的簇间数据交互问题已经成为制约处理器性能的关键问题。针对此问题提出了在一般的调度后进行一次后溯重调度优化过程,减少了簇间的数据交互量,提高了编译器关于处理器的利用率,同时减少了编译生成的指令序列运行时所消耗的功耗。实验结果表明,利用该方法进行调度,比列表调度算法簇间数据交互量减少平均44.36%,调度后的指令执行时间的平均减少量为24.93%,比UAS(unified assign and schedule)调度算法簇间数据交互量减少平均31.25%,调度后的指令执行时间的平均减少量为14.62%。     

流化床中烟丝颗粒的流动特性

为深入研究气流干燥原理,优化工艺参数,改进和开发气流干燥设备,对烟丝物料在流化床中的流化特性进行了研究.通过所建立实验装置,分析了送风量与进料量对烟丝在流化床内的数量浓度分布的影响.采用欧拉方法进行数值模拟,并进行了实验验证和对比,两者吻合较好.研究结果表明:流化过程中烟丝物料在流化床内分布不均匀,在近壁区域尤其是床内四角处,烟丝的数量浓度明显高于床内其他位置.数值模拟和实验研究均发现了烟丝在气流干燥过程中的结团现象和结团发生的主要区域,在此基础上提出了对流化床进行改进的方案,并进行了数值实验.结果表明,所提方案能够有效防止和减少结团的产生,为解决烟丝结团问题提供了很好的理论支持.     

基于K-means聚类的电信企业客户分群决策

数据挖掘应用开发对电信企业的发展有重要意义,其中客户分群可以准确认识客户总体构成,使得服务和营销更具针对性。以常州市电信企业为例,采用K-means聚类分析技术,利用商业数据挖掘自动化软件KXEN给出了一个电信客户分群的解决方案。实践表明,该方案是有效的。     

一种基于广度优先搜索的社区发现方法

由于当前的算法不能很好地将网络的联通性和单个节点的属性综合考虑,分析了凝聚和分裂层次聚类经典算法的局限性,从而给出边的载荷、边的权重、连接度门限、图形分割等定义.综合考虑网络的拓扑结构和边的权重关系,提出了基于广度优先搜索的社会网络社区发现算法SoNetCD.算法通过删除社区之间的边而得到社区结构,它对社区之间的边判断准确,对社区内部的边误删率低.运用经典数据集进行实验的结果表明,该算法具有比经典GN算法更好的结果.     

基于粗糙模糊集的Web用户事务聚类算法

提出一种基于粗糙模糊集的层次聚类算法。在该算法中,通过事务间的相似性关系生成用户事务模糊矩阵,运用基于模糊矩阵的粗糙上近似提取初始类,使用约束相似性的上近似概念形成后续类,其中的一个相对的相似性条件被用作合并准则。该算法可以帮助Web挖掘者描述潜在的新的Web用户组特性。     

基于量子机制的改进的分类属性数据聚类算法

分析量子势能、量子力学中粒子分布机制和针对分类属性数据的量子聚类CQC算法,发现该算法采用传统的Hamming相异性测度计算分类属性数据间的相异性测度,忽略分类属性取值自身的涵义和值间的特征关联,导致其聚类准确性较差.提出一种改进的MCQC算法,能根据数据对象的关联情况计算同属性不同值间的相异性,计算数据对象间的相异性测度,从而提高聚类准确率.仿真实验采用3个数据集,即:大豆疾病、国会投票真实数据集和从KDD-CUP99训练样本集抽取离散属性维构成的人造样本集.实验结果表明,该算法是有效且可行的,对分类属性、二值属性和混合属性数据的聚类准确率明显高于CQC算法.     

基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络(DFNN)的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯(CHP)分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型(CFNN).     

无线传感器网络动态调度分簇算法

提出了一种基于K均值的无线传感器网络动态调度分簇算法(DSCA),不但考虑了能量感知这一重要问题,还针对无线传感网络的稳定性和可靠性,提出了节点的同步失效概念,通过采用K均值得到更加平衡的分簇,使得能量消耗更加平衡.该算法发展了一种基于信号接收强度指标(RSSI)而无需知道节点坐标的簇质心求解方法,提出了基于局部信息集中的动态多簇头选举机制和动态时分复用(TDMA)通信轮数分配机制,这些机制使无线传感网络的能量消耗达到了高度均衡,保证了节点的同步失效,提高了传感网络的稳定性和可靠性.仿真结果表明,算法可以减少约70%的簇重构次数.