基于DFSE的Ad Hoc网络拥塞控制算法研究

对Ad Hoc网络中的拥塞控制问题进行了研究,分析了网络拥塞状况,结合Ad Hoc网络自身的特点建立了Ad Hoc网络数据流量状态方程(DFSE),提出了基于DFSE的网络拥塞控制算法.通过对寻找路由路径中搜寻到的数据流量信息进行处理,控制流量的变化,从而有效地解决Ad Hoc网络的拥塞控制问题.实验结果表明,基于DFSE的网络拥塞控制算法能够较好地解决拥塞控制问题,提高了网络吞吐量.     

BACnet网络拥塞控制机制分析与建模

首先介绍了网络拥塞及拥塞控制的基本概念,然后通过分析BACnet协议的特点和网络层报文的处理过程,阐述了BACnet网络拥塞控制机制的工作机理。在此基础上,分别建立了基于概率丢失和基于优先级的网络拥塞控制模型,从而为进一步改善BACnet网络的性能提供了新的思路和方法。     

基于NS2的组播拥塞控制研究

组播应用于网络多媒体业务,是软件分发、多用户游戏等大数据量传输的有效方法.利用网络仿真器(NS2)对组播拥塞问题进行了分析研究,指出目前组播拥塞解决方案存在的问题,并对典型的组播拥塞控制协议编程实现,给出了组播拥塞控制的研究方向及拥塞控制协议的新方法.     

混合网络中基于带宽估计的拥塞控制

针对目前带宽估计技术被引入到网络拥塞解决方案中的情况,分析了带宽估计方法和影响带宽估计的因素,总结了现有基于带宽估计的拥塞控制算法及其存在的问题,最后展望了未来的研究方向.     

基于曲线拟合的RED拥塞控制算法

针对TCP网络拥塞控制问题,首先介绍了网络拥塞现状和两类主流的拥塞控制算法,然后详细分析了主动管理队列(AQM)的主要拥塞控制算法随机早期检测(RED)的目标、原理和实现,最后给出了一种改进的拥塞控制算法(CF-RED),建立数学模型并实现了一个简单的实例.NS2环境下仿真实验数据表明:改进算法在丢包概率、延迟以及吞吐量等方面都明显优于原算法.     

基于TCP层拥塞避免算法的研究与实现

阐述了TCP利用滑动窗口技术进行数据包传输的机制,在拥塞控制方面详细讨论了拥塞避免的相关算法.指出在网络拥塞的情况下,由于超时引起的数据包重传机制对于提高网络的服务质量重要性,通过研究分析传统的快速重传机制和算法,提出了新的解决方案.结果表明,改进后的拥塞避免算法比传统上的算法不仅能够更好的解决拥塞问题,提高网络的传输质量,而且还能够更好的利用网络资源,提高网络的整体性能.     

基于TCP层拥塞避免算法的研究与实现

阐述了TCP利用滑动窗口技术进行数据包传输的机制,在拥塞控制方面详细讨论了拥塞避免的相关算法.指出在网络拥塞的情况下,由于超时引起的数据包重传机制对于提高网络的服务质量重要性,通过研究分析传统的快速重传机制和算法,提出了新的解决方案.结果表明,改进后的拥塞避免算法比传统上的算法不仅能够更好的解决拥塞问题,提高网络的传输质量,而且还能够更好的利用网络资源,提高网络的整体性能.     

基于网络效用与寿命的无线传感器网络跨层优化

为有效提高无线传感器网络在节点能量、存储与计算能力资源受限条件下的网络能力,提出了一种基于网络效用与功耗的跨层资源优化算法。综合物理层功率控制、Mac层接入控制、传输层流量控制模型,以网络效用和寿命为优化目标,建立了以拥塞代价和能量代价为基础的网络协同优化机制,采用垂直分解理论实现优化目标的逐层分解,推导出基于节点的功耗、链路接入概率和速率的更新公式,实现了分布式的优化解决方案。     

光突发交换网络拥塞控制策略

针对光突发交换网络中的拥塞问题,提出了一种基于速率的拥塞反馈控制策略．利用控制波长信道,源边缘结点沿数据传送路径周期性地发送和接收资源管理分组,这些控制分组携带数据传送光路所经过的各核心结点的拥塞信息．据此,源边缘结点不断地监测网络的拥塞状况,并相应地调整数据突发的发送速率,从而避免网络拥塞．通过理论分析与系统仿真,从多个方面研究了该策略的控制性能及对光突发交换网络拥塞的影响．结果表明,该策略能有效地抑制光突发交换网络的拥塞发生．     

网络拥塞控制机制发展现状及研究思路探讨

现行网络拥塞控制机制已滞后于信息网络的高速发展,逐渐成为制约网络性能提升的瓶颈.从传统拥塞控制机制在复杂多变的异构网络环境中面临的诸多问题人手,概括总结了网络拥塞控制机制的研究发展现状,并强调了异构通信网络中拥塞控制问题的特殊性.在此基础上,提出了利用网络测量、多路径路由和跨层设计等技术手段和方法来设计适应异构网络环境的拥塞控制机制的新思路,并探讨了今后有待研究的技术问题、预期的目标和拟采用的研究方案.     

路由器中的拥塞控制技术研究

由于网络规模的快速增长和各种应用的不断产生,导致网络拥塞问题日益加剧,拥塞控制技术的研究已引起了人们的普遍关注.拥塞会降低网络性能并可能造成网络拥塞崩溃,因而对网络进行拥塞控制是非常必要的,也是当前网络研究的重点之一.综述了目前路由器中队列调度算法和队列管理算法的研究概况,并探讨了下一步的研究趋势,为拥塞控制技术的进一步研究提供参考.     

基于轮询的总线式ATM接入网及其性能研究

提出了一种基于总线结构,采用轮询方式的ＡＴＭ接入网方案,进行了该方案的性能研究,并在实验室环境下进行了模拟仿真,结果表明该ＡＴＭ接入网能满足ＡＴＭ接入基本要求,方案是可行的。     

基于交叉口车牌识别数据的网络交通状态分类方法

为实现能实时、高效、准确地利用现有的车牌识别数据掌握路网交通状态，并精准实施道路交通网络控制措施，基于道路交叉口车牌识别系统数据，依据基于平均最短路径长度的拥堵指标衡量路网运行状态，使用K-means聚类算法进行分类，依据谱距离指标和拥堵指标分类不同时段的网络剩余供给能力。在此基础上，依据实时的道路交通数据，计算拥堵指标，可得到实时道路网络剩余供给能力分级。针对分级后的实时道路网络的实际剩余供给能力，设计不同的网络交通管控方案，能有效缓解交通拥堵。以长沙市五一广场局域道路网络为实例，研究结果表明：城市道路网络状态全天可以分为4种类型，拥堵指标为1.522、1.823、2.207、3.069,分别对应路网剩余供给能力良好、一般、较差和极差。该网络早晚高峰时段路网剩余供给能力多处于较差状态，并且晚高峰时路网有可能处于剩余供给能力极差状态。相比于工作日，在周末的高峰时段，路网剩余供给能力表现较为良好。采取针对性交通管控措施后，经仿真验证表明拥挤路径社会总成本下降5%以上。     

基于强化学习的多路口可变车道协同控制方法

为了解决传统的可变导向车道控制方法无法适应多路口场景下的复杂交通流的问题,提出基于多智能体强化学习的多路口可变导向车道协同控制方法来缓解多路口的交通拥堵状况. 该方法对多智能体强化学习 (QMIX)算法进行改进,针对可变导向车道场景下的全局奖励分配问题,将全局奖励分解为基本奖励与绩效奖励,提高了拥堵场景下对车道转向变化的决策准确性. 引入优先级经验回放算法,以提升经验回放池中转移序列的利用效率,加速算法收敛. 实验结果表明,本研究所提出的多路口可变导向车道协同控制方法在排队长度、延误时间和等待时间等指标上的表现优于其他控制方法,能够有效协调可变导向车道的策略切换,提高多路口下路网的通行能力.     

基于深度学习的不均衡网络数据分类技术研究

在现实网络环境中,数据分布不均衡是普遍现象,也是研究的热点问题.利用传统机器学习算法解决该问题的研究成果较多,综述性研究也较丰富.但当前从深度学习的角度探讨数据不均衡问题已成为新趋势.对此,综述了基于深度学习方法的研究成果.通过对数据不均衡问题进行深入分析,从数据预处理、分类器设计及改进两大方面梳理相关技术路线,包括传...     

基于场景模型的联合信源信道编码的视频网络传输

提出了一种基于场景统计模型的联合信源信道编码和网络拥塞控制的无线视频网络传输系统．采用MPEG-4分级编码将所有的层划分成几类,由码流对网络拥塞和重建视频质量的影响将其分成几个传输优先级队列,并对其进行不等差错保护．在传输过程中,依据网络状态反馈信息进行自适应的联合信源信道码率分配优化．实验数据表明,该方案对不同特性码流提供较好的保护,针对不同无线网络条件具有较好的适应性,能够明显地提高重建视频质量．     

Typical structures for learning control

Some typical structural schemes of learning control have been investigated. The schemes involve the pattern recognition-based learning control, iterative learning control, repetitive learning control, and connectionist learning control, etc. This study focuses on the control mechanism and provides a basis for potential applications. Most of the structural schemes have been applied to various control fields. Project supported by the National Natural Science Foundation of China, the National Doctorate Program Fund of China, and the R&D Fund of the Nonferrous Metals Corporation of China Synopsis of the author Cai Zixing, professor, born in 1938. Research areas include intelligent control and intelligent automation, robot planning and control, industrial process control and automation.     

一种利用多任务学习的短期住宅负荷预测方案

作为信息物理社会系统的一种具体形式,智能电网中的负荷预测,尤其是单个电力客户的短期负荷预测,在智能电力系统的规划和运营中将扮演越来越重要的角色.考虑到同一住宅小区用户之间的负荷行为的相似性,受多任务学习的启发,提出了一种基于多任务学习的有效住宅负荷预测方案.首先,利用K-means聚类技术和皮尔逊相关系数挑选出2个相似用户,进而将2个用户的负荷数据合并输入,并将双向长短时记忆网络作为共享层全面捕获2个用户数据之间的关系,然后送入2个全连接的任务相关的输出层.在真实的数据集上,将所提方案与几种典型的负荷预测方案进行全面比较.实验结果表明,与已有的深度学习预测方案相比,提出的多任务负荷预测方案提高了预测准确程度.     

基于深度学习的地基云分类技术研究进展

深度学习的自动学习特征和精确的预测能力使其在地基云分类上获得成功,更复杂更优良的深度学习网络在地基云分类领域得到研究和应用.近两年来一些大规模地基云分类数据集被公布,但还没有文献对这些大数据集进行完整地介绍和使用.本文对深度学习地基云分类领域最新的研究进展进行了详细的概括,并介绍了最新发布的国际标准大规模数据集,最后对几种经典的卷积神经网络深度学习模型在地基云分类上的性能进行了评估,验证了卷积神经网络在地基云分类领域的适用性.