排序方式: 共有51条查询结果,搜索用时 31 毫秒
31.
32.
云雾爆炸场超压的威力研究 总被引:2,自引:0,他引:2
为了研究FAE爆炸场超压规律,对FAE和TNT进行了静爆对比试验,获得了各自的爆炸场超压实测数据。分析得到了各自的拟合公式、曲线及TNT当量值。研究结果表明,FAE爆炸场超压规律与TNT有显著区别,可划分为云雾爆轰区和冲击波作用区,其中云雾爆轰区是强毁伤区。在云雾区(爆炸近场),FAE超压值很低但近似相等,TNT具有高超压但衰减迅速的变化规律.在冲击波作用区(爆炸远场),FAE和TNT超压分布具有某种“相似性”,均呈衰减趋势,其中尤以TNT衰减更为迅速。 相似文献
33.
介绍了一种跨导线性化的宽带压控振荡器,由谐振腔电路、偏置电路、可编程电容阵列组成。提出一种通过电容隔直将有源器件进行交叉耦合的谐振腔结构,实现了有源器件的跨导线性化,大幅减小了有源器件自身的固有噪声,改善了压控振荡器的相位噪声特性。通过可编程电容阵列电路,可在压控振荡器内进行频率调节,扩展了振荡频率范围。测试结果表明,压控振荡器的振荡频率覆盖5 400~7 300 MHz,频率覆盖比达26%,在7 300 MHz时,相位噪声达到-128 dBc/Hz@1 MHz。该压控振荡器可作为高性能频率合成器的核心器件,构成本振信号源,可被广泛应用于无线基站、频谱监测等多种领域。 相似文献
35.
随着互联网的用户及内容呈指数级增长,大规模数据场景下的相似度计算对算法的效率提出了更高的要求。为提高算法的执行效率,对MapReduce架构下的算法执行缺陷进行了分析,结合Spark适于迭代型及交互型任务的特点,基于二维划分算法将算法从MapReduce平台移植到Spark平台;同时,通过参数调整、内存优化等方法进一步提高算法的执行效率。通过2组数据集分别在3组不同规模的集群上的实验表明,与MapReduce相比,在Spark平台下算法的执行效率平均提高了4.715倍,平均能耗效率只有Hadoop能耗的24.86%,能耗效率提升了4倍左右。 相似文献
36.
37.
图概要技术是管理、分析和可视化大规模图的关键技术之一。如何综合结构和属性信息进行图概要是一个挑战。大部分现有的图概要方法或者只考虑结构或属性某一方面的信息,或者要求属性的表现形式是一致的。结合信息论中最小描述长度原则,对属性图概要问题建模,将其转化为求解最小表示代价问题,以实现图压缩和图概要的双重目标。提出了一种计算节点属性相似性的方法,该属性度量方法对节点属性的限制较小,并且将节点间的相似性统一为存储代价,实现了节点结构相似和属性相似的协同考虑。提出了两种求解最小代价表示的图概要算法。在真实和合成的数据集上实验,验证了提出算法的有效性。 相似文献
38.
已有针对虚拟机映射问题的研究,主要以提高服务器资源及能耗效率为目标.综合考虑虚拟机映射过程中对服务器及网络设备能耗的影响,在对物理服务器、虚拟机资源及状态,虚拟机映射、网络通信矩阵等概念定义的基础上,对协同能耗优化及网络优化的虚拟机映射问题进行了建模.将问题抽象为多资源约束下的装箱问题与二次分配QAP问题,并设计了基于蚁群算法ACO与局部搜索算法2-exchange结合的虚拟机映射算法CSNEO来进行问题的求解.通过与MDBP-ACO、vector-VM等四种算法的对比实验结果表明:CSNEO算法一方面在满足多维资源约束的前提下,实现了更高的虚拟机映射效率;另一方面,相比只考虑网络优化的虚拟机放置算法,CSNEO在实现网络优化的同时具有更好的能耗效率. 相似文献
39.
手部分割技术受手部形态、分割背景等因素的影响,分割效率难以提高。在CornerNet-Saccade模型基础上构造一种基于扫视机制的分割模型。通过模拟人眼观察物体时先扫视再仔细观察的行为特征,降低待处理图像的像素数量并在初步判断手部位置后将掩码分支添加到不同尺度特征图中,完成精细分割任务。在此基础上,引入线性瓶颈结构完成模型轻量化操作以降低模型复杂度。实验结果表明,该模型在Egohands数据集上平均交并比高达88.4%,优于RefinNet、U-Net等主流模型,轻量化处理后其平均交并比虽降低了2.2个百分点,但参数量仅为原模型的44.9%。 相似文献
40.
大数据环境下的计算任务往往具有一定数据依赖性关系(如MapReduce),现有的分布式存储系统任务资源选择策略选择离请求者最近的数据块响应服务,忽略了对数据块所在服务器CPU、磁盘I/O与网络等资源负载状态的考虑。在分析研究系统集群结构、文件分块、数据块存储机制的基础上,定义了集群节点矩阵、CPU负载矩阵、磁盘I/O负载矩阵、网络负载矩阵、文件分块矩阵、数据块存储矩阵与数据块存储节点状态矩阵,为任务与数据之间的依赖性构建了基础数据模型,提出了一种数据依赖约束下的最优资源选择算法(ORS2DC)。任务调度节点负责维护基础数据,MapReduce任务与数据块读取任务由于依赖资源不同而采取不同的选择策略。实验结果表明:所提算法能够为任务选择质量更高的资源,提高任务完成质量的同时减轻了NameNode负担,减小了单点故障发生的概率。 相似文献