单向延迟测量中时钟动态性检测算法(英文)

延迟是评价网络性能的重要指标,也是进行其他网络性能指标测量的基础.基于全球定位系统(GPS)的端到端(end-to-end)时钟同步是测量网络单向指标的常用方法,但是其代价昂贵且缺乏灵活性.在无端到端时钟同步机制下进行网络单向延迟指标测量的关键是消除时钟偏差效应的影响.基于对时间序列分段技术的分析,提出了一种新的时间序列分段标准与改进的分段算法,实现序列的自动聚类,其时间复杂度为O(N2).将该算法应用于检测端到端时钟的动态性,识别测量过程中时钟跳变和时钟频率调整位置,实现对网络单向延迟的测量,弱化了同类工作中对时钟动态性的严格假设.同时提出了基于滑动窗的在线实时时钟动态性检测算法.实际测试实验表明,该算法是行之有效的.

基于神经网络的初始释放瓦斯膨胀能预测模型

研究了BP神经网络的原理和方法,收集了全国100多对矿井的实测初始释放瓦斯膨胀能资料,获得20组可靠数据,选取煤的破坏类型、煤层的相对瓦斯压力、煤的坚固性系数、瓦斯放散初速度4个单项指标为BP神经网络的输入变量,初始释放瓦斯膨胀能作为输出变量;建立了基于BP神经网络的初始释放瓦斯膨胀能预测模型;通过模型检验和精度分析,得出模型拟合效果好,预测精度能够满足工程精度要求。从而说明利用BP神经网络对初始释放瓦斯膨胀能进行预测是可行的。