一致性测试中的时间约束及测试用例生成算法

针对协议测试理论中的时间约束问题，从不同的一致性测试方法出发对协议测试中的时间参数做了严格的约束，同时给出了基于等待、协调和同步时间的严格约束下的测试用例生成算法．在控制流测试中，先生成引导序列，然后按照测试拓扑环境设置和事件约束对引导序列、测试序列的时间进行约束设置．在数据流测试中，等待时间只需按照需求描述和约束来设定．对边界网关协议进行测试的结果表明，所提算法能适应不同的网络拓扑环境，其生成的测试用例在测试中能够有效降低测试代价．     

滑坡灾害短期临滑预报监测新途径研究

由于滑坡灾害的复杂性,迄今为止,尚未形成经得起大量实践验证的预报理论与方法,现仍然是地质灾害学中正在探索研究而未完全解决的难题.通过对滑坡灾害研究史、预测预报、监测技术的分析,认为在滑坡进入加速变形至剧变形破坏阶段,地表及深部监测网点及其设施遭受破坏,无法继续利用“点”式测量方法采集监测数据的情况下,地面三维激光扫描仪可不受干扰独立进行滑坡的“面”式测量,为预测预报滑坡的发生时间提供第一手连续可靠的数据资料,可进一步提高滑坡灾害预测预报的精度.     

振动磨机实验测试及工艺参数对比分析

通过实验测试对振动磨机与球磨机的研磨效率、能量消耗、介质磨损进行了分析比较，证明了振动磨机在细磨，尤其超细磨时优势凸显；同时对振动磨机的主要工艺参数进行了对比分析，提出了在振动磨机设计时合理确定这些参数的建议。     

影响地表动态移动和变形的因素

以Knothe模型的函数为基础,对不同推进速度和不同时间影响系数下动态地表移动和变形进行研究.结果证明:提高开采速度有利于减小地表采动损害;时间影响系数c较小时,下沉迟缓,最大动态变形值较小,随着c的增大,地表动态变形值增大.     

水力停留对复合生物膜-活性污泥工艺的影响

研究了水力停留时间(HRT)对复合式生物膜-活性污泥工艺处理城市污水效能和反应器中微生物性质的影响.研究结果表明,HRT对系统COD的去除效果影响不大,对氮源污染的影响较大.随着HRT的减少,系统中的污泥质量浓度呈现不断增加的趋势,系统的COD容积去除负荷显著增强.对微生物呼吸速率(OUR)的分析表明,维持较长的HRT能够使反应器内微生物具有更强的活性.因此,建议复合式生物膜-活性污泥工艺合理的HRT的范围为6~8 h.     

基于回归分析与时序分析降水预报迭合模型的构建与实现

通过对大气降水序列确定性成分和随机性成分特征的分析,给出一种基于回归分析与时序分析降水预报迭合模型的构建方法.在分离和构造逐月降水序列趋势项、周期项和随机性项的基础上,给出基于Fortran和MATLAB的程序实现思路.最后给合实例验证了该方法的实用性和可行性.     

葡萄幼胚培养技术的研究(Ⅱ)——接种时间及处理方法对胚培养的影响

选用花后35￣60d的巨峰、里扎马特和无核白葡萄,取其幼胚接种于不同激素水平M S培养基上,进行胚培养,以研究接种时间及处理方法对胚培养的影响.结果表明对花后60d的里扎玛特和巨峰的幼胚进行胚培养,其发芽率和成苗率显著高于层积处理后催芽播种的种子的发芽率与出苗率.低温和横切处理能有效地促进葡萄幼胚的萌发.花后60d的巨峰和里扎马特的发育率和成苗率最高;花后60d的无核白的幼胚发育率最高,花后50d的幼胚成苗率最高.     

基于灰色关联分析的路段行程时间卡尔曼滤波预测算法

为改善卡尔曼滤波用于时间序列预测时的自适应性能，提出基于灰色关联分析的路段行程时间实时预测算法．首先，利用灰色理论对行程时间序列的各影响因素进行灰色关联分析，根据灰色关联度的大小来选取路段行程时间的主要影响因素，由此建立相应的动态方程．在此动态方程基础上，通过卡尔曼滤波递推进行路段行程时间预测．文中利用深圳某交通干道上的实测行程时间进行仿真实验，结果表明该算法的综合预测性能优于常规卡尔曼滤波方法，可应用于正常交通流状况下的路段行程时间预测．     

一类不确定非线性离散时滞系统的鲁棒镇定问题

研究了不确定非线性离散系统的鲁棒镇定问题,把不确定非线性离散系统的鲁棒镇定问题转化为严格的线性矩阵不等式,给出了可设计系统无记忆状态反馈控制律的充分条件;当条件满足时设计出无记忆状态反馈控制律使闭环系统渐近稳定,同时得到有界非线性扰动项的最大界值.然后把结果推广到非线性时滞系统,得到了相应的结果.     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.