FNN在分布式环境中的负载均衡研究

以工作站机群系统（NOW－Network of Workstations)为研究对象，提出一种基于模糊神经网络（FNN）的负载预测和负载均衡策略，负载均衡是并行计算机系统研究中的关键问题之一，传统的负载均衡技术，如集中策略及阈值策略等，总是以当前计算机的实际负载进行任务调度，没有考虑负载预测问题，从而使计算机的资源消耗较大，易造成负载均衡控制滞后的情况，本文将模糊神经网络引入负载的衡策略，利用其处理不确定性问题和自学习能力，进行负载预测，较好地解决这一问题，最后通过仿真，证明了此方法的有效性。     

混合动力汽车电子差速控制系统的研究

为了研究混合动力汽车的电子差速特性,通过分析汽车转向轨迹,提出了一种新的电子差速控制方法.由于汽车转向行驶时内、外侧车轮转速与转向角和车体速度之间为非线性关系,采用神经网络模型参考自适应的控制方法.仿真结果证明,该电子差速系统鲁棒性好,具有一定的可行性.     

山东省南水北调沿线流域水污染物排放标准对沿线城市经济的影响

为了保障南水北调东线山东段水质质量达标,山东省出台了《山东省南水北调沿线流域水污染物排放标准》(DB 37/599-2006)。为了分析新标准实施后流域的污染物实际减排效果及其对地区经济发展的影响,选取了新标准实施前后3～5a的主要污染物排放量变化和地区经济发展数据,对沿线枣庄、济宁、泰安、莱芜、临沂、菏泽6市主要水污染物排放水平、产业结构及经济发展水平的影响进行了评价分析。结果表明:新标准在有效促进污染物减排的同时,促进了沿线6市的产业结构优化,并未对6市经济发展产生不利影响。     

弱环境流速水域内陆核电厂液态流出物排放设计优化研究

理论和实践经验均表明,内陆核电厂采用多孔扩散器有利于加快近排放口区域液态流出物的掺混稀释。基于美国环保署推荐的近区模拟工具——CORMIX专家系统,对低环境流速水文条件下的内陆核电厂的多孔扩散器开展了研究。分析表明:对于近岸布置的多孔扩散器,在低环境流速、相对较强射流以及水深较深条件下,(1)扩散器主管长度Ln与排放口下游断面的最小相对稀释比例H呈正相关,喷口直径D与H呈负相关,喷口水深HD与H呈正相关;在排热量相同的情况下,流量Q与H呈正相关。(2)对于排放口下游1 000 m断面处的最小相对稀释比例H1 000 m,各几何参数灵敏度由高到低排序为,喷口直径D、喷口数量n、主管长度Ln。研究结论可供内陆核电厂液态流出物排放工程的设计及优化参考。     

自适应RFID室内定位算法研究

在卫星信号定位优化问题的研究中,在传统的基于场强的射频识别(Radio-Frequency Identification,RFID)室内定位算法中,信号传播模型中路径损耗系数采用经验值,且在同一环境中视为常数.而由于室内环境复杂多变,传统导致算法对环境中的障碍十分敏感,定位精度较差.针对上述问题,提出了一种新型自适应定位算法,通过引入控制论思想中的反馈机制,将自适应控制策略与定位方法巧妙结合,用参考标签的实际坐标和定位坐标之差作为控制器的反馈信号,即时进行路径损耗系数的调整,从而使信号模型自动适应环境变化.经过对改进算法进行多次仿真,验证了算法的有效性,在不增加系统开销的前提下提高了定位精度及环境适应能力.     

几种卟啉衍生物及金属配合物的线性及三阶非线性光学性质

采用吸收光谱、荧光光谱和皮秒Z-扫描等实验方法研究了两种不同卟啉衍生物5,10,15,20-四苯基卟啉(TPPH2)、5,10,15,20-四对烯基苯基卟啉(T(4-VP)P)和一种金属卟啉配合物5,10,15,20-四苯基卟啉锌(ZnTPP)的线性及三阶非线性光学性质,并根据离域电子共轭结构理论和共振、非共振增强理论对结果进行了分析.     

多神经网络组合模型在入侵检测中的应用

入侵检测技术作为提高网络安全的有效手段日益受到重视,利用多神经网络组合模型解决入侵检测问题,针对入侵检测研究的通用审计数据集,首先将其所有字符串行式的元素转换为数值形式;其次为了提高神经网络的逼近性能和运算速度,去除对输出无影响的输入项,并且将剩余输入项的可能取值转换到合理的范围内;最后在MATLAB平台下进行仿真实验,并与单层BP网络进行比较.仿真结果表明,多神经网络组合模型在入侵检测中体现出良好的特性.     

一种低运算量Ad-hoc网络匿名路由协议

Ad-hoc网络节点运算能力差,能量有限且移动速度高,而公钥运算量大,能耗高,运算周期长,所以公钥运算不适合于Ad-ho。网络。已提出的匿名路由协议却含有大量的公钥运算。为了降低公钥运算量,将双线性对和零知识证明应用于匿名路由协议中,提出一种新的匿名路由协议—低运算量的Ad-hoc网络匿名路由协议,该协议大幅降低了公钥运算量。实验结果表明,该协议建立匿名路由所消耗的能量少,时延低。