摘要：针对传统数据流子序列匹配算法容易忽略子序列相似性度量,导致匹配效果不佳问题,提出基于机器学习的软件定义网络数据流子序列匹配算法。首先描述了软件定义网络;其次提取软件定义网络数据流子序列特征,并将特征转换为同一表现形式,在此基础上,通过欧氏距离度量数据流子序列与查询序列之间的距离,动态规划距离矩阵,寻找最优路径,完成子序列相似性度量;然后改进神经网络,设计模糊神经网络并通过参数调节对其进行训练;最后基于改进后的神经网络,通过计算神经元连接权、获取神经元输出值,完成软件定义网络数据流子序列匹配。实验结果表明,所提算法特征转换耗时短,相似性度量精度在95%以上,神经网络参数调节的平均绝对误差小,且所提算法的数据流子序列匹配准确率在85%以上,明显优于其他算法。

摘要：针对分布式关系型数据库的设计和实现,基于KVM云计算平台提出了一种新的架构和通信模式。该系统采用一致性哈希算法进行分布式存储和分配,利用观察者模式实现客户端、管理端以及底层计算存储节点的通信。具体地,该系统包括MON节点、GUEST节点和底层数据库节点3部分,分别负责监控整个集群、接收和处理用户请求以及实现数据库的存储和计算。分析表明,该系统在性能方面表现良好,能够满足高并发的数据处理需求。同时,该系统具有分布式存储和容错能力,具有较高的可靠性和可扩展性。

摘要：针对现有使用较为广泛的三种降噪方法均存在着计算效率低、图像纹理细节保存完整度差的缺陷,引入高斯加权与自适应流形技术对多模遥感图像模糊度量判别自适应降噪方法进行设计与研究。采用设计的高维滤波器对多模遥感图像格式进行转换,方便降噪的进行,以此为基础,利用自适应流形技术对多模遥感图像数据进行降维,简化计算的难度,利用域转换算法对图像边界进行保持,提升图像保存完整度,采用降噪算法实现多模遥感图像模糊度量判别的自适应降噪。通过仿真得到,与现有的三种降噪方法相比较,提出的多模遥感图像模糊度量判别自适应降噪方法极大的提升了计算效果与图像纹理细节保存完整度,充分说明提出的多模遥感图像模糊度量判别自适应降噪方法具备更好的降噪性能。

摘要：水下网络数据调度方法存在网络空间多维数据调度策略异常、交互资源槽分布调度存在资源均衡分布异常的状况,导致数据交互调度能力下降,数据间交互延迟增大,多维数据类别化调度准确率受到影响。针对问题提出基于预先分类的分布式水下网络空间多维数据并行调度方法,首先,对调度数据类别进行资源槽的类别优化处理,通过引入资源槽与分类调度算法,理顺资源槽交互类别数据集;接着对网络空间多维数据进行调度逻辑的计算,根据网络数据传输特点,引入多维数据分布式云并行调度算法,对网络空间中的并行数据流进行优化,实现多维数据的并行调度;最后,通过设计1000~2000组的实验数据,对提出方法的可行性进行证明,证明方法具有可行性高、数据并行调度效率高、稳定好的特点。

摘要：为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.

摘要：使用遗传算法优化设计了一种工作于S波段的平面波产生器．该平面波产生器是一个由25单元组成的线阵，它可以在距离其26~34个波长处产生各个切面幅度波动优于1dB、相位波动优于10°的静区，该静区尺寸为0．96m×0．18m×0．96m，其工作频率范围为2．2～2．8GHz．使用该平面波产生器测试时分长期演进通信标准的基站天线，可有效减小暗室面积，提高天线的测试精度．

摘要：低副瓣阵列天线是现代雷达的普遍要求,但低副瓣天线的方向图指标通常受随机误差影响较大,设计时若不充分考虑随机误差对这些指标的影响,将会对实际结果产生较大影响.针对上述问题,提出了一种适合于雷达阵列天线低副瓣波束的幅相随机误差分析方法,可确定低副瓣波束Taylor综合的合理副瓣值和满足副瓣指标要求的幅相误差,并分析了幅相误差对阵列方向系数及波束指向的影响.仿真结果表明:该方法可靠有效,可为天线阵面和馈电网络设计以及安装精度提供依据.