数字程控交换机线路自动测试系统的软件设计与实现

以国标为准则，设计实现了基于ＰＣ机和中文Ｗｉｎｄｏｗｓ操作系统的数字程控交换机线路自动测试系统ＬＴＳ软件，在简要介绍ＬＴＳ的功能目标和硬件结构的基础上，给出了ＬＴＳ软件的层次与模块结构，并就软件设计中所涉及的主从处理机间通信、多进程通信与协作、测试数据处理与故障诊断、多用户并发请求测试的处理、数据库共享、多种语言混合编程等技术问题作了分析说明。     

基于多目标权衡的数据网格作业调度算法

动态变化的数据网格环境下,很大一部分服务器和带宽资源于分发业务和下载类服务的传递,其资源请求任务受调度长度、时间跨度、负载均衡、服务质量、经济原则及安全性能等诸多因素制约,难以用单一的特征来表示。鉴于此,基于多目标权衡提出一种针对多业务作业请求矩阵,权衡多参数均衡的作业调度算法。仿真实验表明,该算法能在系统重载时提升系统整体的吞吐率,适应大规模图状数据处理场景.     

WSF:基于FOWA的Web服务选择算法

为了解决语言型数据无法用于计算的问题,提出了一种基于FOWA的Web服务选择算法.该算法分为两个部分:WSF-DF(defuzzification algorithm for WSF)基于多个用户对于Web服务的语言型评价,进行服务选择;WSF-Credibility(credibility test for WSF)用来查出可能存在的用户恶意评价并排除,从而提高Web服务选择结果的可信性.仿真结果表明,相比于其他Web服务选择算法,WSF算法考虑到了多个用户的评价意见,可以避免少数用户恶意评价带来的干扰,服务选择结果符合用户的真实意愿.     

一种基于混合智能优化的服务选择模型

基于Web服务功能属性与非功能属性分离的思想,提出了在组合服务流程确定情况下基于非功能属性的组合Web服务选择模型.考虑到非功能属性之间的不可公度性和矛盾性,设计了一种基于极大熵函数和社会认知算法的新型混合智能优化算法来解决全局服务选择问题.最后给出了数值实验,实验表明文中的方法可以综合考虑服务组合的非功能要求,从而实现自动的全局服务选择.     

支持多点交互同步的应用层组播路由算法

提出了在多源组播路由过程中解决交互同步问题而无须使用同步控制器的思想,在这种思想的基础上进一步实现低延迟组播.主要贡献包括:(1)建立面向多点交互过程的同步模型及证明支持多点交互同步的组播路由定理;(2)提出一种有效的、低延迟的、支持多点交互同步的应用层组播路由算法;(3)采用数学方法对新算法和现有相关算法进行性能分析...     

移动流媒体播放器的设计与实现

3G移动网络的高速数据传输能力使得移动流媒体的实现成为可能.本文从移动网络和移动流媒体传输协议的特点入手,结合DirectShow开发多媒体的优势,探讨了移动流媒体播放器设计中的流媒体服务器的交互、缓冲区的设置、视音频同步以及RTSP源过滤器等关键技术,研制出一个适用于移动网络环境的流媒体播放器,并进行了实际验证和测试.     

基于滑模观测器的直驱PMSG机侧控制算法研究与应用

为适应平流水发电水流变化、转速不稳定等外部环境的变化,提高发电站的发电效率,在直驱式永磁同步发电机（PMSG）机侧控制算法的基础上,设计一种带反馈增益自调整算法的滑模观测器（SMO）,对PMSG的转子位置进行估算,从而改善低速的估计误差。通过设计一套37 kW的PMSG发电机组,并在现场进行了试验测试,验证了算法可以有效控制直驱PMSG在低速运行时的转子位置估算误差,在高速运行时算法能够快速收敛,满足PMSG控制要求。     

面向同步实时授课的多媒体通信模型

针对基于IP网的同步实时授课系统在多媒体通信方面存在的问题，提出了一种适用于描述实时授课中多媒体通信的四元组结构模式，基于此模式，建立了同步实时授课系统的多媒体通信模型，论述了模型中的主要问题，如组播数据跨网段传输机制和镜头焦点交互机制，并对模型进行了性能评估。该模型已在基于IP网的多媒体远程教育系统RealClass中得到应用和验证，并具有良好的可扩展性。     

基于IP网的自主式多媒体远程教学系统

本文在简要分析多媒体远程教学需求的基础上,提出了一种包括教师T、学生P、课件资源R、协作教学环境E和网上教学管理M等表示远程教学的五元组结构模式,进一步设计了基于IP网的支持教学现场直播和按需点播的多媒体远程教学系统,并在校园网上进行了同步时授课以及按需点播的实验。     

基于混合比例估计的标签噪声学习方法

近年来,人工智能蓬勃发展,伴随着计算硬件算力的提升,深度学习已成为了人工智能算法的新范式.然而深度学习依赖大量精确标注的数据,在现实的多类别分类场景中,受限于标注成本和隐私数据保护等因素,大量精准标注的数据往往难以获得.近些年,移动众包和网络爬虫这类经济廉价的数据收集方法被广泛采用,但他们不可避免地引入了错误标注,即标签噪声.鉴于深度神经网络强大的数据拟合能力,标签噪声的存在将造成算法的过拟合,严重制约了深度学习方法的泛化能力.针对标签噪声问题,现有研究大多显式或隐式地依赖锚点(明确属于某一类别的样本),然而在现实场景中锚点难以获取,这使得现有解决方案不再适用.为解决这一问题,本文创造性地将多类别标签噪声学习问题转化为混合比例估计(mixture proportion estimation, MPE)问题,构建了一种不依赖锚点的满足统计一致性的学习算法.本文的主要贡献包括:(1)对现有的仅适用于二组成物MPE场景的R-MPE(regrouping-MPE)方法进行推广,提出了多组成物场景下不依赖不可约假设的MPE方法 MR-MPE(multi-component oriented R-...