UCAV编队协同对地攻击决策系统研究

针对UCAV编队对地攻击系统,提出了有人机UCAV联合编队协同对地攻击的概念,分析了有人机UCAV编队对地攻击的体系框架,提出了编队对地攻击的系统结构及其功能划分,给出了对地攻击的作战流程.基于UCAV编队对地攻击决策的复杂性,决策信息的分布性以及决策过程的层次性,提出了UCAV编队时地决策知识的表达和推理方法.     

城市路网的复杂网络特性及可靠性仿真分析

首先通过在路网中引进网络平均距离、节点度分布以及簇系数等概念,重点研究了城市路网映射后的复杂网络特征,以合肥市路网为例进行了实证研究。在此基础上,尝试运用复杂网络理论探讨城市路网可靠性,并以合肥市路网为例,进行了路网选择性攻击和随机失效条件下的可靠性仿真分析,其结果表明路网展现出完全不同的鲁棒性。将复杂网络理论应用到城市路网分析,进一步拓展了城市交通网络基础理论的研究思路和研究范围。     

一种基于网格密度与空间划分树的聚类算法

基于密度的聚类是聚类分析中的一种,其主要优点是发现任意形状的聚类和对噪音数据不敏感.文章提出了一种新的基于网格密度和空间划分树的CGDSFF(Clustering based on Grid - Density andSpatial Partition Tree)聚类算法.其创新点在于,将数据空间划分成多个体积相等的单元格,然后基于单元格定义了密度、簇等概念,对单元格建立了一种基于空间划分的空间索引结构(空间划分树)来对数据进行聚类.CGDSPT算法保持了基于密度的聚类算法的上述优点,而且CGDSFF算法具有线性的时间复杂性,因此CGDSPT算法适合对大规模数据的挖掘.理论分析和实验结果也证明了CGDSPT算法的优点.     

基于门控时钟技术的时钟树低功耗研究

以TSMC 40 nm工艺为基础,使用Synopsys最新布局布线工具ICCII进行时钟树综合.首先利用传统门控时钟技术来降低时钟树动态功耗,在此基础上,提出了一种有别于传统门控时钟技术的新方法.实验结果表明,传统门控时钟方法在两种不同的场景(scenario)下分别降低动态功耗75.36 mW和136.84 mW,虽然不同scenario降低的动态功耗值不同,但是降低功耗的效果是一样的,降低幅度均为22%.新方法又可以进一步降低34.05 mW的动态功耗,降低幅度为12.5%,低功耗效果显著.     

集成电路加密芯片功耗泄漏分析

不同于传统的密码分析技术,旁路密码分析技术利用加密设备工作时泄漏的各种旁路信息进行密码攻击.说明了加密芯片功率泄露机理,提出了功率泄露模型,并在此基础上重点研究了差分功率分析技术.     

基于有限状态机的多阶段网络攻击方法研究

提出了针对多阶段攻击分析的多阶段有限状态机模型,用于分析复杂的攻击行为。通过M-FSM模型能够对攻击的步骤和路径进行综合分析,从而发现网络中存在的安全漏洞和不当的安全配置。在对多阶段攻击进行综合分析的基础上,系统管理员可以以最小的投入对系统进行加固。     

基于地面激光点云数据的单木三维重建方法

目的 使用地面三维点云数据,提出一种单株树木三维网格模型重建方法,为精准获取测树因子提供技术支撑。 方法 对获取的点云进行预处理,使用k-d树构建近邻关系图,用Dijkstra算法求算出子图的根。检测出有效路径后,使用探测半径计算关键路径。计算树枝骨架,然后对初始骨架进行Bezier曲线半径平滑,得到平滑的骨架,再将骨架连接,使用半径平滑和圆柱拟合减少点云密度小造成的拟合不足的情况,能够最大限度保留树枝的细节。结果 使用3株落叶松点云数据构建了树枝树干表面网格模型,重建了树木三维结构。将树干、树枝的三维网格模型与点云匹配后,效果较好;所构建的模型能够进行细小枝条的重建,而不是模拟细枝,通过观察重建结果,一级枝的重建效果非常好,大的二级枝也能得到很好的展示;整套算法计算快速,计算时间与枝条的复杂程度、连接关系有关。结论 基于关键路径探测的方法能够很好地构建树木的三维网格模型,可以用于单株树木测树因子的精确提取。     

从古生物学到地球生物学的跨越

以学科体系和科学问题为导向, 对当前国际上出现的地球生物学从学科分类体系、形成背景、主要研究方向、亟待突破的分支学科及其与之相关的研究领域进行了评述. 作为地球科学与生命科学相结合而形成的新兴交叉学科, 地球生物学在地球科学中应具有独立的一级学科地位, 类似于地球化学和地球物理学. 地球生物学主要研究地球系统的生命运动, 涉及地球环境与生命系统的相互作用. 它的形成与发展既是当今科学技术发展的结果, 也是当今世界对所面临重大人类-环境-资源问题的响应. 分子地球生物学、地球微生物学、地球生态学、地球生理学等地球生物学中的二级学科还有待尽快突破, 以形成地球生物学的成熟理论框架和方法体系.     

基于潜在空间特征的无袖带血压估计方法

针对目前基于光电容积脉搏波(photoplethysmography, PPG)的血压(blood pressure, BP)估计模型的不足,文章提出一种基于潜在空间特征的BP估计方法。该方法充分挖掘PPG中与BP相关的特征,利用梯度增强回归树(gradient boosting regression tree, GBRT)提取单周期PPG信号及其一阶和二阶导数的高阶交叉特征,并利用卷积神经网络(convolutional neural networks, CNN)提取PPG信号的时频图中的深层特征;随后将提取的特征输入支持向量回归器(support vector regression, SVR)构建BP估计模型。在UCI-BP数据库的12 000个样本上进行了模型评估,实验结果表明所提出的方法优于最新的BP估计方法。