航空自组网属于移动Ad Hoc网络的一种形式，不仅具有移动Ad Hoc网络的特点，如多跳、无中心等特点，也具有网络自身的特殊性。

那个时候郑军里的画确有唐画的富丽气象，笔墨的清新格调及马和人物的风姿，卓然而立于那个时候难见突破的中国画领域，尤其洞开广西少数民族人物画沉闷的思维和视觉。这种新风格跟80年代以来的那种趋新求变完全不同，有令人心悦诚服的笔墨技巧，借古开今，画面格调闪耀着强烈温暖的时代光芒。

在航空自组网中，单跳通信半径可达数百公里，在网络分布广阔的地域上，甚至可能建立在洲际的范围上。同时，由于飞机的飞行是在三维空间内完成的，因此该网络具有三维的特性。另外，军用飞机速率的变化范围很大，最高速可达1191 m/s，故航空节点的高速移动会造成网络拓扑的快速变化，从而对网络连通性、媒体接入控制(Media Access Control, MAC)协议、路由协议等方面产生严重影响。在航空自组网中，由于场景广阔，而且节点稀少，导致节点密度小，可能出现网络不连通的情况，因此其组网可行性和网络连通性是研究的首要问题。

航空自组网采用分布式组网，无中心节点，功率、带宽相对有限，节点移动性强，这些特点使得它很难支撑有效的服务质量(Quality of Service，QoS)，且随着网络负载的逐渐提升，吞吐量、QoS、时延等问题愈发突出[1-4]。

文献[5-6]分别从公平性和优先级方面对信道竞争机制进行改进，针对性降低了部分时延。然而在业务高负载、节点高密度网络中，当流量超过网络容量限定时，上述MAC协议不能有效避免流量冲突碰撞，发生信道堵塞现象，影响传输的实时性，最终导致重要信息无法正常传送。

由于网络的动态性，业务负载会发生动态变化，不同优先级业务的竞争能力将直接影响网络吞吐量以及业务的QoS，在感知网络负载变化的条件下，寻找最优的优先级竞争机制，才能最大化网络性能。

文献[7]采用流量预测，在网络拥塞之前更新路由路径，实现网络低丢包率，降低了端到端时延及路由开销。文献[8]采用粒子群优化算法，设计符合系统的适应度目标函数，寻求最优的性能参数，优化系统性能。

学校是教书育人的场所，教育的目的就是去激发学生智力和心理的发展，促进他们的思维的转变。在这样的教育过程中，各类高校中各类专业就要培养学生的认知技能。目前对于学生的智的培养，大部分高校课堂采取讲授式的理论指导或者实践性的活动指导，全方位进行智的培养。

为了有效解决航空Ad Hoc网络工作于高业务量时所存在的QoS下降及时延问题，本文首先在统计优先级多址接入(Statistic Priority-based Multiple Access, SPMA)[9]协议思想基础上，通过结合流量预测及粒子群优化算法，提出一种基于QoS的MAC优化策略，即一种动态QoS的多信道MAC传输机制(Dynamic QoS of multi-channel MAC, DQM)。

1 流量预测及粒子群优化

1.1 模糊神经网络流量预测

T-S(Takagi-Sugeno)模糊系统[10]具有很强的自适应、自学习能力，能够自动修正模糊子集的隶属度函数。当规则为Ri，模糊推理如下：

Ri: If x1 is is is

Then

于国强，1986年参加工作，现任肇东市公路管理处生产股股长。从一个养路工人到生产股长，他在三十年多年的工作中，全部精力铺在养护事业上，把公路养护事业作为自己的重要职责，认真完成各项养护任务，为公路养护事业做出了贡献，先后被评为肇东市和绥化市劳动模范。

首先，根据模糊规则对输入量x=[x1, x2, …, xk]计算各值隶属度，如式(1)所示。

1.5 统计学处理 使用R 2.11软件进行统计学分析。计量资料以表示，使用Shapiro-Wilks检验进行正态性检验，计数资料以n(%)表示，采用χ2检验。用Probit分析方法分析丙泊酚ECe的量效关系，计算对50%(ECe50)、95%(ECe95)产妇有效的诱导丙泊酚ECe；有效的ECe为能在到达预定ECe后的45 s内提供足够的镇静深度(BIS<60)，且镇静深度能维持到插管后ECe重置为3.0 μg/mL。检验水准(α)为0.05。

 

(1)

式中：为隶属度函数的中心；为隶属度函数宽度；k为输入参数的个数；n为模糊子集的个数。

其次，分别进行模糊计算，将连乘算子作为模糊算子，如式(2)所示。

2018年CSLP的主题为“图书馆摇滚”，为早教项目、儿童项目、青少年项目和成人项目四个子项目。在总体策划上具有统一的项目设计，注重多样性和包容性，关注弱势群体。利用网站主页、社交媒体等途径进行整体推广。此外，各个图书馆也做了推广，如新泽西州夏季阅读委员会的CSLP+Pinterest，纽约州立图书馆的CSLP+数字图书馆myON，奥马哈和道格拉斯县图书馆的CSLP+现场音乐节+Flickr，乔普林公共图书馆的CSLP+有声读物。

 

(2)

最后，通过模糊计算所得到的结果来计算模糊模型的输出值yi，如式(3)所示。

(3)

T-S模糊神经网络主要由输入层、模糊化处理层、模糊规则计算层以及输出层组成。输入向量xi直接连接输入层，输入向量的维数应该与节点数一致。模糊化处理层采用式(3)处理输入值，得到模糊隶属度值μ。模糊规则计算层采用式(2)计算得到ω。输出层采用式(3)计算得到模糊神经网络的输出值。

综上所述，模糊神经网络的算法具体分为以下步骤。

1)误差计算

本环节的教学，教师顺应学生的思维倾向，鼓励学生小组内动手操作，把重点放在从条件入手分析上。再通过画示意图、列表等方法分析数据和数量的关系，初步掌握运用数形结合分析数量关系的方法。教师针对学生的薄弱点，强调要抓“相关联”的两个条件。也正是通过教师的点拨，学生的智慧火花闪现：“老师，我发现‘单价’是关键。”“我也有新发现……”相信学生从分析数量关系开始，就建立匹配的“模型”，这对于他们“解决问题”，无疑是一笔长期受用的财富！

 

(4)

[4] 骆光明, 杨斌.数据链——信息系统连接武器系统的捷径[M]. 北京：国防工业出版社, 2008.

2)系数修正

 

(5)

 

(6)

高优先级业务发包率仿真结果如图6所示，DQM协议保持在90%以上。当负载较小的时候，高优先级业务的发包率接近100%；当网络负载逐渐变大的时候，高优先级业务发包率出现小幅降低，但仍维持在90%以上，0优先级业务维持99%基本不变，1优先级业务发包率最多降低到90%。由此可知，在过载情况下，通过对遏制低优先级业务，满足QoS，最大限度地保证了高优先级业务时限要求。

3)参数修正

 

(7)

 

(8)

式中，为隶属度函数中心，为隶属度函数宽度。

DQM涉及的模糊神经网络是单步流量预测，采用单输入单输出结构，故而本文根据模糊神经网络进行相应简化，如图1所示，模型算法进行简化设计，如式(9)～(15)所示。

 

(9)

 

(10)

 

(11)

 

(12)

 

(13)

 

(14)

 

(15)

式中：x为输入参数；ci为隶属度函数中心；bi为隶属度函数宽度；pi为系统参数；yd为网络的期望输出值，yc网络的实际输出值；n为模糊子集数；α、β为网络学习率。

  

图1 简化模型结构Fig.1 Simplified model structure

为检验预测算法的性能，利用自相似流量模型产生4096个流量数据，前1000个流量数据作为训练数据，对预测模型进行训练修正，以便对后3096个数据进行预测，且预测过程中不断修正预测参数，保证预测的准确性及跟踪性。仿真结果如图2所示，经过训练数据对模型参数修正以及预测过程中的参数自我修正，预测曲线与真实曲线具有较高的拟合度，能够真实反映流量数据。

  

图2 流量预测Fig.2 Traffic prediction

1.2 粒子群优化算法

粒子群优化算法[11-12](Particle Swarm Optimization，PSO)在可解空间中对一群粒子进行初始化，每个粒子都表示一个潜在的极值优化问题的最优解，该粒子特征用适应度值、速度、位置三项指标表示，粒子优劣由适应度值表征。本文算法：在解空间中，粒子进行运动，通过对个体极值Pbest和群体极值Gbest进行分析，来对个体位置进行更新。当粒子位置更新时，必须对适应度值进行相应更新，同时对新粒子的适应度值、个体极值和群体极值进行比较，然后更新Pbest和Gbest及其位置。经实验仿真证明，进化(迭代)十次以上时，算法即可快速收敛至稳定值，可见该算法收敛性强，且能够快速寻优。算法流程及收敛性仿真曲线如图3所示。

  

(a) 算法流程(a) Algorithm flow

  

(b) 算法收敛性(b) Algorithm convergence图3 PSO算法Fig.3 PSO Algorithm

2 DQM协议

DQM进行业务优先等级的分类，当网络发生过载问题时，通过控制优先级阈值与对比信道占用统计，遏制优先级较低业务，优先发送高优先级业务；当网络状态为改善后，处理低优先级业务。采用多信道收发机制，降低碰撞率及丢包率。

各个优先级所对应的发送判别门限，称之为业务优先级阈值；对预定周期内道上脉冲进行累计，其数量称之为信道占用统计，在预定周期结束时，将其清零。

协议流程如图4所示，检测各优先级业务队列；有数据时取出较高优先级队列数据(无数据时持续检测)；进行过期判断，若没有过期，则将信道占用统计与其优先级阈值进行比较(过期则丢弃)；如果有低于优先级阈值的信道，则选择占用统计最低的信道发送数据；进入下一轮队列检测及数据处理；如果没有符合条件(高于阈值)的传输信道，则使该业务数据等待一个回退间隔，按照以上流程再次进行计算。

其中：为模糊集；为模糊参数(j=1,2,…,k)；yi为模糊输出。由于输出是确定的，输入是模糊的，这表明该模糊推理是输出与输入的线性组合关系，该推理可根据实际需求进行修正。

生物质颗粒燃料通常是指由经过粉碎的固体生物质原料通过成型机的压缩成为圆柱形的生物质固体成型燃料，直径≤25mm，长径比≤4，常见直径尺寸有6，8，10mm。成型颗粒燃料密度明显增大，体积明显缩小，便于运输和贮存；同时，体积小，与空气接触面积大，利于燃烧；规格一致，便于实现自动化输送和燃烧；可作为工业锅炉、住宅区供暖及户用炊事、取暖的燃料[7]。

  

图4 DQM协议流程Fig.4 Flow chart of DQM

协议运作中，每隔五个预定周期，采用流量预测模型预知下一时段的流量，再利用粒子群优化算法寻找符合既定QoS的优先级门限，并导入更新优先级阈值，使系统性能最优。系统启动前利用以往网络流量数据训练模糊神经网络，系统启动后，在每十个预定周期内，利用当前流量统计训练模糊神经网络，保证流量估计的准确性及跟踪性。

此优先级发送机制可按照优先等级进行业务的分类发送，满足数据使用的客观需求，同时保证网络适当的吞吐量。

间隔层位于站控层和设备层之间，其主要设备包括继电器、测控设备和母线保护设备。间隔层的设置目的是要对变电站进行连接、监控和保护的作用。因为，电能在转换的过程中会经过间隔层，测控设备就会对电能经过产生的信息进行测控并记录，再传输给站控层。但电网出现故障时，间隔层可以进行初步的故障检测，进行闭锁操作，从而实现继电保护的目的。间隔层是整个智能变电站的系统构成较为复杂的部分，其电力设备的主要功能就是对电力传输起到保护和监控作用。

3 仿真分析

以Exata[13]为仿真平台，测试DQM协议的性能，如图5所示。按照航空自组网的特点，设置不同优先级的4组业务流，分别是业务优先级为3的①-⑥数据流，业务优先级为2的②-⑦数据流，业务优先级为1的③-⑧数据流，业务优先级为0的④-⑤数据流，共用五个信道， 0代表最高优先级。根据实际需求，设定业务流比例，设总业务流量为M，仿真中①-⑥数据流量为0.2M，②-⑦ 数据流量为0.2M，③-⑧数据流量为0.5M，④-⑤数据流量为0.1M。

  

图5 三维仿真场景Fig.5 3D simulation scenes

网络业务量M在3000 s的仿真时间内，每秒从0～20(Mbit/s)之间选择一个值作为下一周期的网络总流量，在协议作用下进行数据统计。仿真结束后，依据M值大小将数据进行分类，并计算平均值得到20组数据，即得到业务量由低载到过载的发包率及吞吐量变化趋势。仿真中使用DQM、SPMA两种协议，前者采用预测优化算法，动态更新优先级阈值；后者采用固定优先级阈值，其值取DQM性能全局最优，即DQM在M为10 Mbit/s时的优先级阈值。

LUO Guangming, YANG Bin. Data link—the shortcut between information system and weapon system[M].Beijing:National Defense Industry Press, 2008.(in Chinese)

3.1 归一化发包率

式中：为网络系数；α为网络学习率；xj为输入参数；ωi为输入参数隶属度连乘积。

从图6还可看出，负载较低时，两个协议的仿真曲线基本重合，维持高发包率。随着负载增大，DQM发包率明显高于SPMA，而且优先级越高，发包率越高，如图6所示，DQM下的0、1优先级业务发包率较高，且稳定性好；而SPMA下的0、1优先级业务发包率下降幅度较大，这说明DQM对高优先级业务作用明显，更好地保证了高优先级业务的实时性。

  

(a) 0优先级业务发包率(a) Packet delivery fraction of priority 0

  

(b) 1优先级业务发包率(b) Packet delivery fraction of priority 1图6 A方案高优先发包率Fig.6 High priority packet delivery fraction of A scheme

低优先级业务发包率仿真结果如图7所示。当负载较轻的时候，低优先级业务的发包率接近100%，随着负载逐渐变大及QoS要求，低优先级业务发包率逐渐降低，如图7所示，DQM下的2、3优先级业务发包率最低值于SPMA下2、3优先级业务发包率。对比图6，PQM牺牲低优先级业务换取高优先级业务，这说明DQM通过对低优先级业务的截流遏制，维持良好的网络负载，在满足QoS的同时更加有效地保证了高优先级业务的低时延性能。

  

(a) 2优先级业务发包率(a) Packet delivery fraction of priority 2

  

(b) 3优先级业务发包率(b) Packet delivery fraction of priority 3图7 A方案低优先级发包率Fig.7 Low priority packet delivery fraction of A scheme

从图6～7可以看出，DQM能够满足业务QoS要求，有效地保持了0优先级业务达到99%的发包率，1优先级业务达到90%的发包率，性能优于SPMA。仿真验证得到方案A中DQM性能仍优于SPMA。

3.2 归一化总吞吐量

  

图8 A方案负载与吞吐量曲线Fig.8 A scheme performance curve of load-throughput

业务量由低负载到严重过载过程中的总吞吐量曲线如图8所示。低负载时，DQM及SPMA随着负载的增加，总吞吐量曲线快速升高，负载达到11时开始平缓，至20时曲线仍趋于平缓，由此可知，两个协议间的优势明显，当网络发生超载问题时，不会即刻发生堵塞，同时通过信道占用情况分析来有效地控制优先级较低的业务数据发送，进而保证优先级较高业务的有效传输。

DPN的发生发展被认为与高血糖、代谢紊乱、炎症及免疫应答反应、有髓神经脱髓鞘、胰岛素抵抗有关[4]。然而，严格的血糖控制或醛糖还原酶抑制剂治疗仅对早期DPN有效，对已有症状的DPN尚无有效的治疗方法[5]。明确DPN的发病机制仍是当务之急。小窝蛋白(caveolin,CAV)家族参与糖尿病外周神经病变过程，CAV-1调节机体炎症反应以及有髓神经纤维脱髓鞘病变，CAV-2与胰岛素抵抗过程密切相关。现对CAV在DPN中的作用机制及研究进展予以综述。

(1)规章制度、法律法规培训。现代有轨电车驾驶人员必须要接受相关的安全知识培训，熟悉交通安全法律法规以及驾驶相关的安全知识；

通过该模拟曲线斜率的计算，可以算出吸附焓变量ΔH。吉布斯焓变ΔG可以根据吉布斯吸附等温公式计算出吸附吉布斯能变公式：ΔG=-nRT，n为特征常数。吸附过程中的热力学的熵变可以根据吉布斯 - 亥姆霍兹公式计算得出：ΔS=（ΔH-ΔG）/T，H-103树脂吸附Cl-过程的热力学参数计算数据见表4。

图9为方案B吞吐量曲线，对比图8，无论哪种QoS方案，DQM始终能够将总吞吐率保持在QoS要求范围左右，同时最大化吞吐率，相反，SPMA不能满足，仅能最大化吞吐率。这是由于DQM采用动态机制更新优先级门限，能更好地适应通信负载的变化，实时满足QoS。

  

图9 B方案负载与吞吐量曲线Fig.9 B scheme performance curve of load-throughput

4 结论

在业务高负载、节点高密度的航空数据链网络中，结合模糊神经网络流量预测模型、粒子群优化算法，DQM动态的更新优先级门限，高负载时通过截流低优先级业务，确保了高优先级业务发送的低时延和高发包率，同时保证了网络吞吐量的最大化，有效地避免了拥塞。通过计算机仿真实验表明，模糊神经网络与粒子群优化算法收敛性能良好，能够很快地完成迭代计算，满足网络流量的实时性和各业务QoS要求。由此可见，所提DQM能够更好地保证通信QoS要求，较SPMA协议性能优越。本文中流量预测的准确性直接关系到参数性能优化的精确性，因此如何寻找最优的流量预测方案将是后续工作的研究重点。

参考文献(References)

[1] Jurdak R, Lopes C V, Baldi P. A survey classification and comparative analysis of medium access control protocols for Ad Hoc networks[J].IEEE Communications Surveys & Tutorials, 2004, 6(1): 2-16.

[2] 张棋飞.无线自组织网络路由及MAC协议关键技术研究[M].武汉： 湖北人民出版社， 2012.

ZHANG Qifei. Key techniques of routing and MAC protocal in the wireless self-organized network[M]. Wuhan: Hubei People′s Publishing House, 2012.(in Chinese)

[3] 吕娜, 杜思深.数据链理论与系统[M]. 北京： 电子工业出版社， 2011.

此外，分葱和洋葱两者有着非常高的相似度，分葱是通过扦插繁殖的，洋葱是通过播种繁殖的，它们不是同根同源的，可以说是“表亲”关系。分葱在使用时多数是作为一种调味料出现，它的口感跟洋葱有很大的不同，分葱不像洋葱那样多汁，它的口感会更干一些；另外与洋葱相比，它没有那么辣，像我们切洋葱时都会有“辣眼睛”的现象，分葱就不会，它要柔和得多。最重要的是它里面会有一些抗氧化成分，可以有效预防心血管疾病。

LYU Na, DU Sishen. Theory and system of data link[M].Beijing: Publishing House of Electronic Industry, 2011.(in Chinese)

式中：yd为模糊神经网络的期望值；yc是网络的实际值；e为期望值与实际值的误差。

仿真中业务QoS设置为两种:A方案是0优先级业务达到99%的发包率；由于信道环境及编码技术等影响，为了保证通信的可靠性，业务总吞吐率低于90%；B方案是0优先级业务达到99%的发包率，由于信道环境及编码技术等影响，为了保证通信的可靠性，业务总吞吐率低于85%。

[5] 张国鹏, 张海林, 赵力强. WLAN中基于协作博弈的比例公平性带宽分配机制[J].西安电子科技大学学报, 2009, 36(1): 87-93.

从图8还可以看出，负载10 Mbit/s以内，两者曲线基本吻合；负载超过10 Mbit/s后，DQM吞吐量维持在91%基本不变，SPMA维持在92%基本不变，两者差距甚小。这说明DQM利用很小的代价，使得高优先级业务的低时延和高发包率得到更加可靠的保证。DQM能够满足业务QoS要求，有效保持业务总吞吐率达到90%以上。

ZHANG Guopeng, ZHANG Hailin, ZHAO Liqiang. Cooperative game theoretic bandwidth sharing scheme for proportional fairness in WLAN[J].Journal of Xidian University, 2009, 36(1): 87-93.(in Chinese)

[6] 李楠, 蔡越民, 程乃平. Ad Hoc 网络中一种具有优先控制的自适应协同MAC协议[J].信号处理, 2011, 27(3): 450-455.

LI Nan, CAI Yuemin, CHENG Naiping. An adaptive cooperative MAC with priority for Ad Hoc networks[J].Signal Processing, 2011, 27(3): 450-455.(in Chinese)

[7] 沙毅, 闫星星, 唐逊. 基于流量预测的Ad Hoc网络负载均衡协议[J].东北大学学报(自然科学版), 2012, 33(10): 1403-1406.

SHA Yi, YAN Xingxing, TANG Xun. Load balancing routing protocol based on traffic prediction for Ad Hoc network [J].Journal of Northeastern University(Natural Science), 2012, 33(10): 1403-1406.(in Chinese)

[8] 刘芳, 孙芸, 杨庚， 等.基于粒子群优化算法的社交网络可视化[J].浙江大学学报(工学版), 2013, 47(1): 37-43.

LIU Fang, SUN Yun, YANG Geng, et al. Visualization of social network based on particle swarm optimization[J]. Journal of Zhejiang University(Engineering Science), 2013, 47(1): 37-43. (in Chinese)

[9] Stephen M, Clark K A, Hoback S J, et al. Statistical priority-based multiple access: US[P]. 768077, 2010-03-16.

[10] Lian R J. Adaptive self-organizing fuzzy sliding-mode radial basis-function neural network controller for robotic systems[J]. IEEE Transactions on Industrial Electronics, 2014, 61(3): 1493-1503.

[11] Xiang T, Liao X F, Wong K W.An improved particle swarm optimization algorithm combined with piecewise linear chaotic map[J]. Applied Mathematics and Computation, 2007, 190(2): 1637-1645.

[12] 李丽, 牛奔.粒子群优化算法[M].北京: 冶金工业出版社, 2009.

LI Li, NIU Ben. Particle swarm optimization algorithms[M].Beijing:Metallurgical Industry Press, 2009.(in Chinese)

[13] 徐以标, 王兴建, 尹建月.基于Exata的网络通信协议仿真[J].计算机与数字工程, 2014(11): 2212-2216.

根据用户间的相似度可以获取目标用户的最近邻居集合，并将其相似性作为权重预测目标用户对未评分项目的评分，故目标用户Ui 对项目i 的评分Put,i 预测如式（3）所示：

XU Yibiao, WANG Xingjian, YIN Jianyue. Simulation of network communication protocols based on Exata[M]. Computer & Digital Engineering, 2014(11): 2212-2216.(in Chinese)