曝光数据流优化问题的蒙特卡罗算法

集成工艺中控制图形发生器产生掩模图形的数据流文件的数据排列顺序优化,是一个其结点数可达数千个之多的大规模旅行商问题(从镜头架的位置,即每个矩形的矩心为结点),常规算法早已不适用。本文采用多阶段蒙特卡罗算法并加以改进,补充了“分层优化模式”,邻接结点的预合并和在各个阶段末提取共同子路径并删去相关结点等一系列逐步缩小问题规模的措施,形成了一个实用的优化算法。相应的软件已成功地应用于薄膜磁头的数据流文件的优化。     

撞击流—旋转填料床反应器的微观混合性能研究

采用化学偶合法 ,对撞击流—旋转填料床反应器内微观混合进行了实验研究 ,得到了转速、喷嘴间距、射流速度及浓度等因素对离集指数Xs的影响规律 ,并对其进行了定性的分析。结果表明撞击流—旋转填料床反应器中微观混合能被极大地强化 ,可成为适合快速反应新型反应设备     

PLC上位机监控软件的开发

为提高硫化机控制水平，采用电阻式触摸平板电脑为上位机与PLC相结合。系统设计主要包括各监控画面的设计和上位机与PLC之间的通信设计，监控主画面设计成包含所有操作员需要了解的数据。实时曲线画面为圆盘型和直线型两种，上位机与PLC之间的通信采用VB6.0编程，实际运行证明状态良好。     

面向大规模数据流处理的偏最小二乘法

用光谱分析鉴别生物特征,导致数据量大,而实际需要必须实时处理。偏最小二乘法是使用最广泛的鉴别算法,但是对于大规模数据流该算法无法达到实时性。为了解决这个应用矛盾,提出了一种基于NVIDIA CUDA架构下的并行计算策略,利用具有大规模并行计算特征的图形处理器（GPU）作为计算设备,结合GPU存储器的优势实现了偏最小二乘算法。实验的测试结果表明,在GPU上使用CUDA实现的偏最小二乘算法比在CPU上实现该算法快了47倍,性能得到了显著提高,从而使偏最小二乘算法应用于大规模数据流处理成为可能。     

撞击流制备高纯纳米氢氧化镁技术研究

采用撞击流反应结晶方法，以青海盐湖水氯镁石为原料，制备了高纯纳米氢氧化镁。研究了各种操作条件对氢氧化镁纯度的影响，并确定了控制因素。并采用X射线衍射（XRD）、透射电镜（TEM）对颗粒形态进行表征。结果表明：可以制备出纯度大于99％、平均粒径为13．5nm的氢氧化镁。适宜条件：镁离子浓度0．25mol／L，镁离子与氢氧根浓度比1：2，反应温度40℃，搅拌时间30min，搅拌转速400r／min，撞击流率100mL／min。     

无模型自适应控制在锅炉主汽温控系统中的应用

针对电厂锅炉主汽温度对象大延迟、大惯性、多种扰动以及非线性、时变性的控制难点,提出带有跟踪微分器的无模型自适应控制器串级系统主控制器设计方法,控制器融合衰减因子与滤波抑制测量扰动,自抗扰观测抑制负载扰动。仿真结果表明控制方法具有较强的鲁棒性和自适应能力。     

大数据流式计算：关键技术及系统实例

大数据计算主要有批量计算和流式计算两种形态,目前,关于大数据批量计算系统的研究和讨论相对充分,而如何构建低延迟、高吞吐且持续可靠运行的大数据流式计算系统是当前亟待解决的问题且研究成果和实践经验相对较少.总结了典型应用领域中流式大数据所呈现出的实时性、易失性、突发性、无序性、无限性等特征,给出了理想的大数据流式计算系统在系统结构、数据传输、应用接口、高可用技术等方面应该具有的关键技术特征,论述并对比了已有的大数据流式计算系统的典型实例,最后阐述了大数据流式计算系统在可伸缩性、系统容错、状态一致性、负载均衡、数据吞吐量等方面所面临的技术挑战.     

高速网络流量测量方法

高速网络流量测量是目前实施实时准确地监测、管理和控制网络的基础.基于网络流量测量的应用,将网络流量测量分为抽样方法和数据流方法.从不同的层次,将抽样方法分为分组抽样和流抽样,分别介绍了两类抽样方法;从测度角度介绍了数据流方法.详细介绍了高速网络流量测量的常用数据结构,以及抽样、数据流方法在高速网络流量测量中的应用,比较了各种方法的优劣.概述了高速网络流量测量技术的研究进展.最后,就现有的网络流量测量方法的不足,对网络流量测量的发展趋势和进一步的研究方向进行了讨论.     

实时数据仓库中一种改进的数据流更新算法

为实现数据仓库中数据的高效集成,针对数据偏斜分布现象,提出一种改进的数据流更新算法EH-JOIN。该算法对传统散列连接方法进行改进,利用索引将部分频繁使用的主数据存储在内存中,解决了高速数据流下的磁盘频繁访问问题。实验结果表明,与MESHJOIN算法和R-MESHJOIN算法相比,EH-JOIN算法的服务速率在磁盘存储关系集保持适当大小时分别提高了96%和81%,在内存大小不同时提高了57%和48%。     

基于双层网格和密度的数据流聚类算法

传统的基于网格的数据流聚类算法在同一粒度的网格上进行聚类,虽然提高了处理速度,但聚类准确性较低。针对此问题,提出一种新的基于双层网格和密度的数据流聚类算法DBG Stream。在2种粒度的网格上对数据流进行聚类,并借鉴CluStream算法的思想,将聚类过程分为2个阶段。在线过程中利用粗粒度的网格单元形成初始聚类,离线过程中在细粒度网格单元上,对位于簇边界的网格单元进行二次聚类以提高聚类精度,并实现了关键参数的自动设置,通过删格策略提高算法效率。实验结果表明,DBG Stream算法的聚类精确度较D Stream算法有较大提高,有效解决了传统基于网格聚类算法的聚类精度较低的问题。