考虑到方位角计算是AOA(angle of arrival)定位的基础之一,首先,提出了以大地坐标计算方位角的球面近似法和正轴圆柱投影-平面法;进而,建立了球面精确AOA定位方程、球面近似AOA定位方程和正轴圆柱投影-平面AOA定位方程;最后,采用无约束...考虑到方位角计算是AOA(angle of arrival)定位的基础之一,首先,提出了以大地坐标计算方位角的球面近似法和正轴圆柱投影-平面法;进而,建立了球面精确AOA定位方程、球面近似AOA定位方程和正轴圆柱投影-平面AOA定位方程;最后,采用无约束非线性规划方法建立了基于大地坐标的分别与上述方程相对应的3个最优化AOA定位模型,并以网格逐点搜索求解法进行了模型验证.验证结果的分析表明:在不考虑测向误差时,球面精确AOA定位模型的精度最高,且与纬度无关,但其定位运算时间最长;球面近似AOA定位模型和正轴圆柱投影-平面AOA定位模型的精度均较高,后者的定位误差略大于前者,定位运算时间也长于前者;要提高AOA定位网的定位精度,既可提高各站点的测向精度,也可增加测向站点数,并应综合考虑定位时效性要求和精度要求选择合适的AOA定位模型.展开更多
频繁项集挖掘是数据挖掘中的一个基本问题,在许多数据挖掘应用中发挥着重要作用。针对并行频繁项集挖掘算法MrPrePost在大数据环境存在密集数据集下算法效率下降、计算节点负载量不均衡和冗余搜索等问题,提出了基于N-lists和DiffNodese...频繁项集挖掘是数据挖掘中的一个基本问题,在许多数据挖掘应用中发挥着重要作用。针对并行频繁项集挖掘算法MrPrePost在大数据环境存在密集数据集下算法效率下降、计算节点负载量不均衡和冗余搜索等问题,提出了基于N-lists和DiffNodeset两种结构的并行频繁项集挖掘算法(Parallel Mining algorithm of Frequent Itemset based on N-list and DiffNodeset structure,PFIMND)。首先,根据N-list和DiffNodeset在存储不同数据集上的优势,设计了稀疏度估计函数(Sparsity Estimation,SE),根据数据集稀疏程度灵活选取其中之一压缩数据集,相比采用单一存储结构消耗的内存更少;其次,提出了计算量估计函数(Computation Estimation,CE)来估计频繁1项集F-list中每一项的负载量,并根据计算量进行均匀分组;最后采用集合枚举树作为搜索空间,为避免组合爆炸和冗余搜索问题,设计了超集剪枝策略和基于宽度优先搜索的剪枝策略,生成最终的挖掘结果。实验结果表明,相比同类算法HP-FIMBN,PFIMND算法在Susy数据集上挖掘频繁项集的效果提升了12.3%。展开更多
文摘考虑到方位角计算是AOA(angle of arrival)定位的基础之一,首先,提出了以大地坐标计算方位角的球面近似法和正轴圆柱投影-平面法;进而,建立了球面精确AOA定位方程、球面近似AOA定位方程和正轴圆柱投影-平面AOA定位方程;最后,采用无约束非线性规划方法建立了基于大地坐标的分别与上述方程相对应的3个最优化AOA定位模型,并以网格逐点搜索求解法进行了模型验证.验证结果的分析表明:在不考虑测向误差时,球面精确AOA定位模型的精度最高,且与纬度无关,但其定位运算时间最长;球面近似AOA定位模型和正轴圆柱投影-平面AOA定位模型的精度均较高,后者的定位误差略大于前者,定位运算时间也长于前者;要提高AOA定位网的定位精度,既可提高各站点的测向精度,也可增加测向站点数,并应综合考虑定位时效性要求和精度要求选择合适的AOA定位模型.
文摘频繁项集挖掘是数据挖掘中的一个基本问题,在许多数据挖掘应用中发挥着重要作用。针对并行频繁项集挖掘算法MrPrePost在大数据环境存在密集数据集下算法效率下降、计算节点负载量不均衡和冗余搜索等问题,提出了基于N-lists和DiffNodeset两种结构的并行频繁项集挖掘算法(Parallel Mining algorithm of Frequent Itemset based on N-list and DiffNodeset structure,PFIMND)。首先,根据N-list和DiffNodeset在存储不同数据集上的优势,设计了稀疏度估计函数(Sparsity Estimation,SE),根据数据集稀疏程度灵活选取其中之一压缩数据集,相比采用单一存储结构消耗的内存更少;其次,提出了计算量估计函数(Computation Estimation,CE)来估计频繁1项集F-list中每一项的负载量,并根据计算量进行均匀分组;最后采用集合枚举树作为搜索空间,为避免组合爆炸和冗余搜索问题,设计了超集剪枝策略和基于宽度优先搜索的剪枝策略,生成最终的挖掘结果。实验结果表明,相比同类算法HP-FIMBN,PFIMND算法在Susy数据集上挖掘频繁项集的效果提升了12.3%。
