基于压缩感知的异构网络数据动态重构算法

针对异构网络数据资源存在节点及链路均衡度过低且数据重构资源分配路径误差较大的问题,设计一种基于节点拓扑感知的异构网络数据动态重构算法。利用模糊核聚类算法将数据样本集映射至高维空间内,聚类目标数据,根据节点在网络中对应的坐标构建异构网络拓扑模型及数据权矩阵模型;设置路由器物理链路通信图,根据链路带宽约束优化数据重构资源的分配路径,将节点核心区数据重构,并分配至聚类节点来感知数据的动态变化,为每一个核心聚类节点拓扑感知一个路由器数据的动态变化,来实现全局的数据动态重构,至此完成基于节点拓扑感知的异构网络数据动态重构算法的设计。设计仿真实验,测试算法的节点均衡度与链路均衡度。实验结果表明,设计的算法的节点均衡度为0.93,链路均衡度为0.90,均高于对比方法,因此可以得出,该算法的资源均衡度更好。     

基于拓扑非线性动态建模的神经退行性疾病异常步态识别

通过对步态节律变化的观察,可以实现对人体复杂系统的观测,在行走过程中,步幅间隔时间序列的动态特性,能有效反映人体系统的状态变化,可用于步态异常检测及相关疾病辨识。人体步态传感信息的时间序列相空间重建,是一种有效表征系统非线性动力学特性的建模方法。相空间的几何建模和统计分析,是异常步态识别典型的分析方法,被广泛应用于神经退行性疾病检测等临床研究中。该文从空间拓扑特性分析的角度出发,提出一种基于拓扑非线性动态建模的分析方法,用于神经退行性疾病的异常步态识别。该文首先采用延时嵌入的相空间重构方法,将步态的波动时间序列转化为抽象相空间的状态点云;其次,采用基于计算拓扑中的持续同调工具,提取状态点云所在空间的拓扑描述信息;再次,采用基于拓扑描述的持续态势图,构建时间序列的拓扑非线性动态特征;最后,融合步态周期中左右足的步幅间隔、站立间隔、摆动间隔时间序列的拓扑非线性动态特征,作为分类器输入,构建出异常步态的机器学习识别模型。对患有肌硬化症、亨廷顿病和帕金森病的神经退行性疾病患者,进行 5 min 异常步态的连续行走数据(50 步滑动窗数据)测试,步态识别的准确率分别为 0.875 0(0.914 6)、0.940 6(0.962 3) 和 0.958 3(0.961 4)。因此,拓扑非线性动态建模分析是一种有效的神经退行性疾病异常步态检测方法,为基于步态分析的神经退行性疾病检测和可穿戴数据分析提供了一种新的思路。     

基于小波网络和证据理论的多源信息融合系统研究

在多源信息融合中，不确定、不完整和冗余现象普遍存在。为了解决这个复杂问题，本文首先利用相空间重构理论对输入的信息在相空间中进行重构，以充分提取相关信息。然后在重构相空间上，利用模糊理论、小波网络和遗传算法对上述重构信息进行了时间域信息融合。最后，利用D—S证据理论将时间域融合结果进行了空间域信息融合，并根据决策规则进行了决策。结果表明．据此形成的分布式多源信息融合系统具有良好的目标探测能力、抗干扰能力和容错能力。     

数学建模中的高维数据挖掘技术优化研究

高维数据挖掘由于特征空间占用开销较大,挖掘的复杂度较高,挖掘精度不高,为了提高对高维数据挖掘的准确性能,提出一种基于相空间重构和K-L变换特征压缩的高维数据挖掘数学建模方法。采用集成学习技术,对高维数据信息流进行相空间重构处理,考虑类间的数据不平衡性,求得高维数据的关联维特征参量,根据数据的链距离进行稀疏性融合,计算高维数据流模型的最大Lyapunove指数谱,根据谱分析方法实现数据聚类,对聚类后的数据采用K-L特征压缩方法进行降维处理,降低数据挖掘的内存及计算开销。仿真结果表明,采用该方法进行高维数据挖掘,数据挖掘的准确概率较高,占用内存消耗较少,计算开销较小。     

基于动态模糊决策树的心电信号分类方法

为提高心电信号分类识别的准确率,提出一种基于时频特征融合与动态模糊决策树的心电信号分类识别方法。对心电信号依次进行周期分割、小波包分解与重构和形态识别处理,将小波包变换系数矩阵的二范数作为频域特征,并与时域特征进行融合以表征心电信号,同时将模糊C均值聚类引入模糊决策树的建树过程中,实现特征空间的动态划分。在MIT-BIH标准心电数据库上的实验结果表明,该方法的分类识别准确率较高,心电信号正异常分类的准确率达99.14%。     

动态异构特征融合的水下图像增强算法

针对水下图像细节模糊和色彩失真严重的问题,提出一种基于编码解码结构的动态异构特征融合水下图像增强网络.首先,设计异构特征融合模块,将不同级别与不同层次的特征进行融合,提升网络对细节信息和语义信息的整体感知能力;然后,设计新型特征注意力机制,改进传统通道注意力机制,并将改进后的通道注意力与像素注意力机制加入异构特征融合过程,加强网络提取不同浑浊度像素特征的能力;接着,设计动态特征增强模块,自适应扩展感受野以提升网络对图像畸变景物的适应力和模型转换能力,加强网络对感兴趣区域的学习;最后,设计色彩损失函数,并联合最小化绝对误差损失与结构相似性损失,在保持图像纹理的基础上纠正色偏.实验结果表明,所提出算法可有效提升网络的特征提取能力,降低水下图像的雾度效应,提升图像的清晰度和色彩饱和度.     

面向城市道路交通状态估计的数据融合研究

实时道路交通状态估计是ATMS和ATIS的重要内容。布设于城市道路网络中的各类检测器提供了丰富实时的动态信息。针对目前我国各检测器间相互独立形成信息孤岛、数据参数多样、结构迥异、采样周期和精度不一等现状,采用贝叶斯估计、模糊逻辑等数据融合方法建立多源异构交通信息三层次融合体系,得到精度更高、可靠性更强的交通信息。实例证明,数据融合适用于城市道路交通状态估计。     

基于语义分割的异构多核平台大数据挖掘算法

为了提高异构多核平台大数据精准挖掘能力,提出一种基于语义分割的异构多核平台大数据精准挖掘方法。构建异构多核平台大数据的模糊信息检测模型,采用关联特征提取方法进行异构多核平台大数据的模糊指向性聚类分析。构建异构多核平台大数据的输出自相关特征匹配模型,结合语义特征提取方法进行异构多核平台大数据的特征提取和统计分析。建立异构多核平台大数据的语义动态特征分析模型,提取异构多核平台大数据的统计特征量。根据异构多核平台大数据的特征提取结果采用模糊C均值聚类方法进行大数据聚类,采用语义分割进行异构多核平台大数据挖掘过程中的自适应寻优,实现异构多核平台大数据的优化挖掘。仿真结果表明,采用该方法进行异构多核平台大数据挖掘的精度较高,特征分辨能力较好,可提高异构多核平台大数据的挖掘和检测能力。     

基于改进全卷积神经网络的医疗数据表面重建算法

为了实现对医疗数据的快速检测和分类识别,需要对医疗数据进行表面重建设计,首先,提出一种基于改进全卷积神经网络的医疗数据表面重建算法.采用无线射频识别技术进行医疗数据的大数据采样,对RFID采集的医疗数据进行信息融合处理,采用多元回归分析方法提取医疗数据的相关性统计特征量,然后,针对医疗数据中的冗余特征采用匹配滤波检测器进行冗余滤波处理,对提纯后的医疗数据采用相空间重构技术实现医疗数据重构,最后,对重构数据采用改进全卷积神经网络分类器进行分类识别,实现医疗数据的表面重建和自动识别.仿真结果表明,所提方法的医疗数据冗余特征处理效果较好,数据分类精度可高达90%以上,且医疗数据重建误差小,耗时少.     

基于物联网技术的异构集群动态负载均衡算法

为提高异构集群的动态负载均衡性,引入物联网技术中的传感技术构建异构集群信道传输模型,然后采用动态加权方法配置输出信道,并完成对信道特征的分解;在建立信道模糊重组结构模型的基础上,采用噪声干扰抑制方法对异构集群通信信道进行多径干扰抑制,并结合波特间隔均衡采样方法控制信道输出的均衡性,通过模糊度均衡配置和空间均衡调度过程实现对异构集群动态负载的均衡处理。仿真结果表明,采用该方法进行异构集群负载调度的均衡性较好,可降低输出信号的误码率,提高异构集群的输出均衡性和自适应控制能力。     

煤矿多传感器混沌时序数据融合预测

针对单传感器煤矿数据预测存在的片面性问题,提出将信息融合技术与相空间重构技术相结合的多传感器煤矿数据的预测模型。对井下多种传感器,包括瓦斯浓度、风速、温度传感器,进行融合预测。以多类传感器时序数据为研究对象,首先利用信息融合的方法分别对各类传感器数据依次进行数据层融合、特征层融合;然后采用关联积分方法对两级融合之后的传感器数据分别确定相重构的时间延迟τ和嵌入维数m两个参数;最后结合多变量相空间重构技术,将各类传感器数据融合重构相空间,运用基于K-Means聚类的加权一阶局域法构建多传感器数据的预测模型。数据来源于山西省阳泉煤矿,采集了近20G数据,以瓦斯浓度、风速、温度三种传感器数据进行实验,实验结果表明：对于特征层的融合,每15分钟时间段内的数据经融合后可有效作为衡量这段时间内的特征,经过预测模型计算后,与时间段为5分钟、10分钟、20分钟相比较误差达到最小ESS=0.003,较目前的最小误差值0.05,误差大大下降,故融合预测效果较好,可以较准确地预测未来15分钟后的传感器数据,可有充足时间进一步为井下的安全评估提供决策依据。     

基于相空间模糊熵算法的金属缺陷形状辨识

提出了一种多线圈涡流无损检测方法,通过相空间模糊熵算法分析涡流信号复杂度,进而实现对金属微小缺陷形状的辨识.为了从足够的测量信息中获取有效的缺陷特征,设计了多线圈传感器模型.通过仿真实验选取适合的传感器参数和激励模式.采用相空间模糊熵算法,研究不同大小、深度、形状的缺陷对涡流信号复杂度的影响.为了准确提取涡流信号的内在规律,获得对缺陷敏感的信号分析结果,对涡流信号进行相空间重构,并在重构的相空间中计算信号的模糊熵.分析结果表明:随着缺陷体积的增加,模糊熵增大,涡流信号的复杂度增加.根据不同形状缺陷的模糊熵均值分布图,可以实现对孔、洞、裂缝3种缺陷较精确的区分.     

基于WEB SERVICES的分布式GIS集成的研究

提出了如何实现网络中的多元异构空间数据库的共享及其互操作,W EB SERV ICE技术的出现给整个网络世界的发展提供了新的发展契机和新思维,因此采用了W EB SERV ICE技术来实现这个问题。W EB SERV ICE技术是一门新鲜的网络技术,它的出现使得空间异构数据库的共享和互操作成为可能,提出了基于W EB SERV ICES技术的一个框架结构,实现了空间异构数据库的共享和互操作。     

控制网络节点可重构无线通讯协议性能仿真

控制网络的通信环境具有不确定特征,且协议异构性突出,为改善网络延时,提高系统稳定性,提出控制网络节点可重构无线通讯协议性能仿真.将控制系统中的网络协议分为物理层、链路层、网络层与应用层,结合动态性、实时性等需求,确立节点可重构通讯协议体系,定义层次功能;通过加权图建立协议拓扑结构数学模型,选择遗传算法的编码与适应度函数,经过交叉变异操作,确定终止条件,选取通讯最佳路径,实现协议重构;使用总传输延时与平均传输延时评估协议服务质量的仿真指标,采用稳定性、可靠性等完成对控制系统性能评价.仿真结果表明,网络传输延时小、系统运行稳定,重构后的无线通讯协议具有良好性能.     

子网拓扑融合技术研究

针对大规模异构网络的拓扑管理,在对经拓扑发现搜集而来的拓扑信息进行处理,提出了子网拓扑融合概念,阐述了子网拓扑融合在拓扑管理中的地位和作用,分析了子网拓扑融合的需求,研究并建立了基于集合论的子网拓扑融合模型,设计了一种基于XML的子网拓扑融合算法,并通过两个子网拓扑数据检验了该算法的正确性.     

融合多模板注意力深度网的自适应目标框跟踪算法

现有深度网络跟踪算法应对相似物体干扰、尺度变化、形变模糊、遮挡等问题存在挑战,为此提出一种融合多模板注意力机制的鲁棒深度网络算法.在SiamFc深度网络分支中构建通道和空间多模板注意力机制,以加强网络对目标特征的提取能力;融合浅层和深层卷积特征实现跟踪目标的精确聚焦,以克服相似物干扰问题;采用自适应回归网络学习目标采样点与目标边界之间的距离,实现目标区域的动态预测,有效应对目标尺度变化问题.另外,通过计算分类特征的APCE均值和最大值建立模板在线更新策略,实现网络自适应目标形变模糊与遮挡等问题.对OTB 100和VOT 2016等公开数据集的测试结果表明,与目前先进的SiamFc及改进方法相比,所提出算法在动态目标跟踪的准确率和成功率上均得到有效提升,具有强鲁棒性能.     

基于递归率REC特征的网络流量相空间重构监测

传统上对网络流时间序列分析多采用线性分析方法,没有充分利用到网络流客观存在的非线性特征信息,从而使数据分析能力受限。提出了基于定量递归分析递归率REC特征的网络流量相空间重构监测模型,基于相空间重构和递归图分析,设计了网络流量的REC递归率的定量递归特征作为网络流量序列分析的数据支撑。使用平均互信息算法和虚假最近邻点算法求取流量序列的相空间重构的关键参数,利用递归图中有规律的点线检验网络总出口流量的确定性和可预测性,利用REC特征监测网络流量序列的异常流量和特性进行分析。仿真实验表明,网络流量序列的定量递归特征具有较强的稳定性和自相似性,精度较传统特征统计方法提高19%以上,采用REC递归率特征对异常流量序列的预测预报监测准确率为99.7%,比采用传统的其它非线性递归特征提高了13.2%,展示了算法在网络流量和非平稳数据序列分析中的优越性能。     

基于小波网络的配电网空间数据库故障诊断方法

在进行配电网空间数据库建模中,需要对空间数据库进行优化检测和诊断,提高配电网的稳定运行能力,提出基于小波网络的配电网空间数据库故障诊断方法。构建配电网空间数据库的分布模型,采用高维特征分解方法进行配电网空间数据库的特征量化分解,结合小波网络学习方法进行配电网空间数据库故障状态特征提取,根据故障特征的聚类性进行配电网络空间数据库的结构重组和故障特性辨识,结合模糊统计分析方法,实现对配电网空间数据库的故障智能诊断。仿真结果表明,采用该方法进行配电网空间数据库故障诊断的准确性较好,分辨能力较强,提高了配电网空间数据库的稳定性。     

基于Mycat的拟态数据库中间件研究

数据库系统的安全不仅依赖于数据库本身的安全,还受网络环境和操作系统的安全性影响,拟态防御是邬江兴院士首次提出的基于动态异构冗余体系架构,协同实现数据库所依赖环境,使数据库安全由被动防御变为主动防御.本文通过Mycat作为数据库中间件,通过对数据库的读写分离,集群的高可用,分布式事务处理,对指纹化SQL识别,以减轻单一数据库的数据存取和处理压力.Mycat将数据库模块变为异构动态冗余模式,实现数据库拟态化,使数据高效,快速,安全的存取和切分.     

基于3D-Mesh互连网络的粗粒度逻辑阵列研究

提出了一种3D-Mesh拓扑互连网络结构,其支持动态可重构配置,数据路径位宽为32 bit。基于该3D-Mesh拓扑互连网络结构,设计了一种拥有48个RPE(Reconfigurable Process Element)和16个RSE(Reconfigurable Storage Element)的异构粗粒度逻辑阵列(Isomerism Coarse-Grained Reconfigurable Array,ICGRA)。基于COMS 55 nm工艺库进行后端设计,ICGRA总面积为28.52 mm2。同时在300 MHz系统时钟、1.08 V Vcc电压、室温条件下系统总功耗为2.88 W。其中3D-Mesh拓扑互连网络面积占系统总面积的3.8%,功耗占系统总功耗的7%。与相关设计对比,该结构动态重构速率提高2倍～60倍。且采用该3D-Mesh拓扑网络之后,运算单元利用率也大幅度提高。