基于随机行走的无线传感器网络簇间拓扑演化

无线传感器网络中的容错机制可防止节点出现因能量的耗尽而失效或链路因网络的入侵而失灵的现象.目前无线传感器网络中的一些容错机制被相继提出,这些方法的主要思想是采用冗余策略.文中借助于复杂网络理论,提出了一个基于随机行走的无线传感器网络簇间拓扑演化模型.拓扑生长的动态特性分析表明:由该模型演化成的网络拓扑具有无标度(scale-free)网络的性质.许多研究工作已经表明,容错能力不仅仅存在于有冗余的系统中,而且同样也存在于无标度网络中.     

基于复杂网络的无线传感器网络容错拓扑演化机制研究

许多研究工作已经表明,容错能力不仅存在于有冗余的系统中,而且同样也存在于无标度网络中。为此,借助复杂网络理论,提出一种新的无线传感器网络容错拓扑演化机制。仿真结果表明,由该机制演化的网络拓扑结构具有较好的抵制因节点能量耗尽及恶意攻击的鲁棒性。     

小世界网络模型下的无线传感器网络

复杂网络是具有复杂拓扑结构和动力学行为特征的大规模网络,无线传感器网络呈现出多种复杂网络特性,如多跳、自组织特性等,这表明可借助复杂网络理论研究无线传感器网络的拓扑结构和动力学特性。在无线传感器网络的复杂网络特征的基础上建立小世界网络模型。仿真表明小世界网络模型下的无线传感器网络符合小世界网络具备的性质。     

基于能量感知的无线传感器网络拓扑演化

针对无线传感器网络中能源效率的问题,引入复杂网络理论的研究方法,提出基于能量感知无线传感器网络拓扑动态演化模型。在建模过程中考虑到无线传感器网络拓扑变化与节点的度数和剩余能量密切相关,而且网络中节点和链路是有增有减的动态行为,利用连续场理论推导出此模型具有无标度的特征,无标度网络对于节点的随机故障具有较高的鲁棒性。数值计算与实验仿真结果显示,算法可以有效地改善整个网络的结点均衡能耗。     

基于小世界模型的WSN簇间拓扑优化方法

针对无线传感器网络节点因能量消耗、硬件故障、通信因素等导致的链路失效问题,提出一种基于复杂网络小世界模型Kleinberg的无线传感器网络簇间拓扑优化方法,该方法依据簇头节点的局部视图ViewList信息中的长链与短链构建WSN簇间拓扑.实验分析表明,利用该方法演化的无线传感器网络拓扑在节点失效概率为0.2时,网络寿命比DECDC提高25%,并具有良好的能量均衡性和较低的消耗代价.该方法构建的拓扑具有较好的容错性和较强的鲁棒性.     

基于复杂网络的纽约轨道交通网络特性分析

现有的轨道交通网络建模研究大多建立无权网络模型,不能很好地反映网络特征。本文以纽约轨道交通网络为研究对象,采用复杂网络理论和Space L方法,考虑到2个站点之间可能存在多条线路的情况,构建纽约轨道交通加权网络模型,利用复杂网络的相关特性指标分析纽约轨道交通网络的特性。与无权网络相比可知,纽约轨道交通加权网络的权重与拓扑具有一定的关联性,该网络同时具有小世界和无标度特性。并通过随机攻击及多种蓄意攻击策略研究纽约轨道交通网络的鲁棒性。     

一种基于无标度局域世界演化网络模型的 无线传感器网络拓扑构建

无标度网络具有场景适应性强,且应对随机性打击效果较好等特点.为提高无线传感器网络的抗毁性能,从网络拓扑演化角度入手,构建具有无标度特性的网络拓扑.结合无线传感器网络中每个节点都有其通讯范围的特点,将无标度网络引入到无线传感器网络,且在择优演化过程中,各节点度不得超过设定值,构建基于无标度局域世界演化网络模型的无线传感器网络拓扑,并对模型进行仿真.从结果可明显看出,优化的模型中连边较短,即优化的模型平均最短路径降低,可有效减少数据收发过程中能量的消耗,延长网络生存周期,提高网络抗毁性.     

无线传感器网络入侵检测系统模型

为了提高无线传感器网络的安全性,针对无线传感器网络的自身特性,设计了一种入侵检测系统模型.该模型按照聚类的方法,将区域划分成簇;在每个簇中选举簇头,簇头需定期轮换;采用基于相关向量机(RVM)的入侵检测方案.实验表明:所提出的模型与其它检测模型相比具有更高的平均检测率和更低的平均误检率,且具有低能耗的特点.     

具有抗毁性的无线传感器网络有向拓扑模型

如何通过合理构建拓扑模型有效提高网络抵御攻击的能力,一直是该领域研究的热点之一.针对无线传感网络无标度拓扑在遭受不同攻击方式时抗毁性差的问题,本文结合节点出入度和介数中心性两种因素,同时考虑数据传输的有向性,提出衡量网络抗毁性的度量模型概念,将该模型引入择优连接概率中,构建具有抗毁性的无线传感器网络有向拓扑模型.理论证明网络节点出入度均服从幂律分布,符合无标度特性,仿真实验结果表明,在相同实验环境下,该文所构拓扑模型在最大连通分支比例和网络效率两方面均优于其他3种比较模型,具有更强的抗毁性.     

基于能量约束的无线传感器网络可靠性研究

针对传感器网络系统(WSN)对任务完成所需能量有约束的特点,首先建立了WSN系统的网络模型和任务模型,引入了能量权函数,建立了基于任务的无线传感器网络系统可靠性模型,最后针对无线传感器网络的典型层次簇拓扑结构,给出了建模实例。该方法为WSN系统的任务级划分与拓扑结构的选择和优化提供依据和参考。     

神经网络的BP算法在教学质量评价中的应用研究

神经网络具有很强的自学习能力和容错性,善于联想、类比和推理。该文在探讨教学质量评价指标体系构建的基础上,将神经网络的BP算法应用于教师教学质量的评价中,目的是为了准确地反映教学的实际,更科学地对教师的教学质量进行有效的评价。实验结果证明,应用神经网络BP算法的评价方法考虑了评价标准的模糊性,使教师的教学质量得到客观公正的评价。     

联想记忆神经网络的训练

提出了一种联想记忆神经网络的优化训练方案,说明网络的样本吸引域可用阱深参数作 一定程度的控制,使网络具有尽可能好的容错性.计算表明,训练网络可达到α＜1(α=M/ N,N是神经元数,M是贮存样本数),而仍有良好的容错性,明显优于外积法、正交化外积法、 赝逆法等常用方案.文中还对训练网络的对称性与收敛性问题进行了讨论.     

利用遗传算法改善前馈神经网络容错性

针对前馈神经网络的断路故障,将网络容错性的改善转化为一个最小优化问题,并通过遗传算法进化求解来获取容错性好、泛化能力强的网络,该方法不需给网络增加额外冗余,也不需修改网络训练算法,较好地保持了网络结构、训练算法与容错处理的独立性,实验表明,该方法在两个基准测试问题上均取了很好的效果。     

基于粗糙集理论的RBF神经网络剪枝算法

分析了满足给定学习误差要求的最小结构神经网络的各种实现方法.把粗糙集理论引入神经网络的结构构造中;提出了一种基于粗糙集理论的RBF神经网络剪枝算法,并将这种算法与现有剪枝算法相比较.最后将该算法应用于热工过程中过热气温动态特性建模.仿真结果表明基于该算法的神经网络模型具有较高的建模精度以及泛化能力.     

量子神经网络在电力谐波检测中的应用

该文利用复数BP学习算法,构造出量子神经元模型[1],并结合神经网络技术与量子理论,生成更有效的泛化和学习能力的量子神经网络。基于三层量子神经网络实现对谐波参数的检测,并以3次谐波和5次谐波为例,描述了该网络的训练流程和训练样本的构成。量子神经网络的实现采用Matlab进行编程,首先利用训练样本训练量子网络,之后检测构造的未训练样本数据集,通过仿真结果验证了该方法的可行性。该方法在谐波检测中具有较高的灵活性和精度,且对采样数目没有严格的限制,训练好的量子神经网络模型可用于谐波源固定的场合。     

基于BP神经网络的图像识别研究

BP神经网络具有较强的容错性和自适应学习能力,因而在数字图像识别领域有着广泛的应用。本文在经典BP神经网络的基本算法的基础上,对BP算法的参数设置进行了优化,实现了一种基于分类的改进BP神经网络算法。通过探讨BP神经网络在数字图像分类识别中的应用,详细考察了各种参数对识别效果的影响。实验结果证明改进后的算法有很好的实用价值。     

一种构建超大规模数据中心的模块化网络结构

模块化数据中心网络的模块间互联结构和路由负责模块的有效组织,以及不同模块服务器间的高效通信.为此,如何设计具有高带宽、高容错和高可扩展能力的互联结构以支持大规模、超大规模数据中心的构建成为模块化数据中心网络需要解决的首要问题.提出了一种构建超大规模模块化数据中心的模块间互联结构MDKautz,该结构通过模块内大量未被使用的交换机预留高速端口将模块以Kautz图互连,在无需额外增加任何高端交换设备的前提下,构造出具有高带宽、高容错和灵活可持续扩展性的超大规模数据中心网络.对MDKautz的构建方法、路由策略以及扩展方法进行了分析,数学分析和模拟实验结果证明了该新型网络结构具有良好的拓扑特性和通信性能,可有效支持数据中心高带宽、高容错的典型应用.     

基于灵敏度分析的模块化回声状态网络修剪算法

针对回声状态网络（Echo state network,ESN）的结构设计问题,提出基于灵敏度分析的模块化回声状态网络修剪算法（Pruning algorithm for modular echo state network,PMESN）.该网络由相互独立的子储备池模块构成.首先利用矩阵的奇异值分解（Singular value decomposition,SVD）构造子储备池模块的权值矩阵,并利用分块对角阵原理生成储备池.然后利用子储备池模块输出和相应的输出层权值向量,定义学习残差对于子储备池模块的灵敏度以及网络规模适应度.利用灵敏度大小判断子储备池模块的贡献度,并根据网络规模适应度确定子储备池模块的个数,删除灵敏度低的子模块.在网络的修剪过程中,不需要缩放权值就可以保证网络的回声状态特性.实验结果说明,所提出的算法有效解决了ESN的网络结构设计问题,基本能够确定与样本数据相匹配的网络规模,具有较好的泛化能力和鲁棒性.     

The hierarchical cliques interconnection network

The fully connected network possesses extremely good topological, fault-tolerant, and embedding properties. However, due to its high degree, the fully connected network has not been an attractive candidate for building parallel computers. On the other hand, tree-based networks are popular as parallel computer networks, even though they suffer from poor fault-tolerance and embedding properties. The hierarchical cliques interconnection network described in this paper incorporates positive features of the fully connected network and the tree network. In other words, the hierarchical cliques possess such desirable properties as low diameter, low degree, self routing, versatile embedding, good fault-tolerance and strong resilience. Hierarchical cliques can efficiently embed most important networks and possess a scalable, modular structure. Further, by combining hierarchical cliques with fat trees congestion in the upper levels can be alleviated.