舰船方位变化规律灰预测及聚类分析研究

舰船方位序列是一种带有灰色信息的时间序列,灰色系统理论是处理灰色信息的有力武器.文章在分析和阐述灰色系统理论的基础上,将其应用到舰船目标纯方位定位和要素解算领域,解决了传统的困扰解算目标运动要素的一些难点;提出了一些新的概念和方法,如目标方位序列集的概念和采用以某一方位为间隔的各方位区间的方位值数量作为灰色聚类中的灰聚类因子的方法,既可以有效区分不同方位序列集的分类,还能据此反演得到目标速度、航向以及位置信息的大概范围.     

交通量的灰包络预测

利用灰色预测法进行交通量预测有着满足贫数据序列,并可以处理波动明显的数据序列的优点。本文尝试运用灰色包络线预测的方法来预测交通量,可在预测远景交通量的同时,预测出其所在的区间,以保证预测的可信度。实践证明该方法具有较高的精度。     

矢值序列空间ss（E）的端点和一致λ—性质

矢值序列空间ｓｓ（Ｅ）是Ｂａｎａｃｈ序列空间ｌｐ（Ｅ）的重要推广。文中,给出了ｓｓ（Ｅ）的端点的充要条件,了ｓｓ（Ｅ）的一致λ－性质。     

基于变长系统调用序列模式的入侵检测方法研究

提出了一种变长序列模式的寻找算法,从训练序列中找出一组基本相对独立的变长序列模式,并在模式集的更新过程中自动定义了模式间的前后次序关系,以此构建了一个描述进程执行模式的DFA。针对已有基于变长序列模式的模式匹配算法需要向前预测若干个系统调用号的缺点,设计了一个更好的模式匹配算法。实验结果表明,算法在模式寻找过程中是稳定的,并在保持小规模模式集的情况下,取得了很低的误报率和漏报率。     

基于光流和水平集模型的运动目标自动跟踪方法

在分析直升机在天空飞行序列图像特点的基础上,提出了基于光流和水平集模型的运动目标自动跟踪方法。该方法通过对图像进行高通滤波预处理,获得运动目标的特征图像,用特征图像来求解运动目标的光流,用光流对运动区域进行分割,获得运动区域的中心和半径,以该中心和半径的圆作为初始水平集曲线,以光流速度作为曲线演化的外力修改Chan and Vese模型,用改进后的模型对图像进行分割。实验证明,用本文方法能够快速、准确地自动跟踪运动目标。     

基于最小最大概率回归的混沌时间序列全局预测

提出了使用最大化最小概率机器回归MPMR方法进行混沌时间序列的全局预测,在分析最大化最小概率机器MPM及用于回归的原理的基础上,MPMR方法被用于Mackey-Glass混沌时间序列多步预测.在对该序列进行1至20步的预测中,MPMR方法较局步加权线性回归方法具有更好的预测效果.核函数形状参数及回归管道宽度ε的选取将直接影响MPMR回归技术的系统性能,试验中我们使用了交叉验证的方法确定这两个参数值.试验证明,核函数形状参数和回归管道宽度取值都为2和3的情况下,预测效果更为理想.     

野生型p27和核定位信号缺失型p27真核表达载体的构建及表达

目的 构建人野生型p27(p27WT)和核定位信号缺失型p27(p27△NLS)的真核表达载体,并在HEK293T细胞中进行表达,为细胞中p27核浆定位的变化及其不同的生物学功能研究提供细胞基础。方法 提取人乳腺癌细胞系MCF7总RNA,反转录cDNA后,分别进行p27全长和非NLS区片段的PCR扩增,获得p27WT全长(CDKN1B,NM＿004064.5)和p27△NLS编码区序列,分别将其克隆至真核表达载体pCMV-Blank,经菌液PCR、双酶切和测序鉴定。电穿孔法转染HEK293T细胞,48 h时分别提取胞核蛋白和胞质蛋白,Western blotting检测p27在细胞质和细胞核中的蛋白表达。结果测序结果显示,真核表达载体pCMV-Blank中插入的p27WT序列和p27△NLS序列均与NM＿004064.5序列相一致。pCMV-p27WT转染HEK293T细胞后,细胞总p27蛋白表达显著增加,核浆分离检测发现其在细胞质和细胞核中均表达;而pCMV-p27△NLS转染HEK293T细胞的总p27蛋白表达也显著增加,核浆分离检测发现其主要在细胞质中表达。结论 成功构建人p27...     

基于视觉传达的大型船舶智能导航界面设计方法

针对导航界面显示导航参数不够充分情况,提出基于视觉传达技术的大型船舶智能导航界面设计方法。该方法以用户视觉传达为中心的设计理念为基础,设计大型船舶智能导航界面设计模型;利用该模型的用户分析单元分析用户需求、确定导航用户目标后,使用界面规格与功能设计单元确定导航界面内容和界面功能;再利用信息架构与交互设计单元设计智能导航界面链接、搜索栏等功能,并利用界面设计与导航设计单元中的导航模块发送与接收信号,使用视觉传达技术内的Qtopia图形套件搭建智能导航图形界面。实验结果表明,该方法设计的大型船舶智能导航界面可充分展示航行过程中的相关参数,具备较好的视觉传达效果,应用效果较佳。     

基于时间序列分析和信息熵的结构损伤识别

目前,基于时间序列分析的结构损伤检测方法中,存在时间序列模型难以建立统计指标与损伤程度定量关系的问题。针对此问题,提出基于信息熵的结构损伤识别方法,该方法能同时检测损伤的位置和度量损伤程度。以获取的加速度振动响应构建自回归移动平均模型(Autoregressive Moving Average model,ARMA),并从理论上推导自回归系数与结构振动频率的关系。通过建立时间序列模型与损伤程度之间的联系,再引入信息熵实现对结构节点信息的量化。构建损伤程度特征指标,利用损伤前后结构损伤指标的变化量实现对损伤结构的位置和损伤程度的检测。以简支梁结构实验模型和IASCASCE基准结构的测量数据为例,从不同损伤程度下的单一损伤和多重损伤等场景对方法的有效性进行验证,并对损伤的结构进行定位和定量分析。研究结果表明,损伤位置处的损伤指标值远大于未损伤位置,能够准确定位损伤,且不同损伤程度下的损伤指标值增幅也存在明显差异。本文提出的方法对单一损伤和多重损伤均可进行损伤定位,并在损伤定位的同时实现损伤程度的量化。