融合抗噪机制的图变分自编码器社交网络推荐方法研究

链路预测是根据复杂网络中已有的拓扑信息预测网络中两个不相邻的节点间产生连接的可能性,是社交网络推荐中使用的主要方法之一。随着社交网络近些年来蓬勃发展,数据量的剧烈增加无可避免地导致坏数据的出现（即目标节点特征属性缺失,或是目标节点特征属性错乱）。为了解决有节点属性社交网络中因为节点特征缺失导致的链路预测准确率降低的问题,提出了一种结合噪声对抗机制的图变分自编码器模型（Denoising Graph Variational Autoencoder,DGVAE）来优化链路预测效果。通过建立一种图变分自编码器结构,并设计一个噪声对抗模块,使得图变分自编码器能够有效地抵抗噪声干扰。经过一系列实验的验证,在有节点属性的网络中,采用噪声对抗的图变分自编码器模型能够有效地预测复杂的网络结构,而且在数据有冗余噪声的情况下,这种模型的预测效果有显著的改善。     

隐马尔可夫模型的异质网络链接预测方法研究

为了解决异质网络的结构信息和语义信息挖掘不全面的问题,针对异质网络的链接预测,提出了将基于元路径的分析方式与隐马尔可夫模型相结合的链接预测方法。考虑到聚簇可以有效地捕获异质网络的结构信息,将k-means算法进行改进得到基于距离均方差最小的初始聚簇中心方法,并将其应用到隐马尔可夫模型(HMM)中,设计了基于聚簇的一阶隐马尔可夫模型(C-HMM~((1)))的链接预测方法,同时提出基于聚簇的二阶隐马尔可夫模型(C-HMM~((2)))的异质网络的链接预测方法。进一步考虑数据的特征信息,提出了将最大熵模型和二阶隐马尔可夫模型相结合的链接预测方法 ME-HMM。实验结果表明,ME-HMM比C-HMM方法的链接预测精确度更高,且ME-HMM因充分考虑到数据的特征信息比C-HMM的性能更加优异。     

基于多层感知器神经网络的路径损耗预测研究

为了更好地服务于5G及未来无线通信系统的网络规划与优化,开展了基于多层感知器(multi-layer perceptron, MLP)神经网络的路径损耗预测研究. 利用有限的地物类型,提出一种表征传播环境的简易方法,避免了繁琐的三维场景建模. 结合测量数据和由环境表征方法提取的环境特征,基于MLP神经网络建立了路径损耗模型. 数据实验的对比分析表明MLP神经网络能够实现路径损耗的准确预测,且环境特征的引入有助于提升模型性能. 为解决干扰地物影响路径损耗模型的准确性以及模型对环境变化的敏感性问题,根据视距(line-of-sight, LoS)和非视距(non-line-of-sight, NLoS)标签改进环境表征方法,进一步提升了模型的稳定性和泛化能力. 所做工作有助于了解无线电波传播特性,为无线网络优化和通信系统设计提供了理论依据.     

无线传感器网络干扰分类识别机制的研究

针对在优化无线传感器网络传输性能时,识别出网络是否受到干扰并区分网络内与网络间的干扰类型是首要解决的问题。设计并实现了一种能够识别传感器网络干扰并区分网内、网间干扰类型的机制。首先通过实验获得了传感器网络在常见干扰状态下的有关性能参数,并对这些参数进行了相关性分析,之后基于Logistic分类模型建立了干扰状态以及网内、网间干扰类型的识别模型,并根据实测数据确定了该模型的参数。实际测试表明基于该分类模型的分类识别方法的准确率可达到97%以上,能够有效解决发现网络受到干扰的情况以及对网络干扰识别的问题。     

便携式智能岩体声发射监测仪的设计

为了能够准确有效地对声发射信号进行数据监测,设计了一款基于STC89C58RD+单片机的便携式智能岩体声发射监测仪。介绍了仪器的功能特点、软硬件实现方法以及设计中的难点问题的解决。实现了矿山连续监测、数据存储、数据回放及数据通信等功能。     

一种新的时滞神经网络非线性时间序列预测方法

基于相空间重构的非线性预测思想,建立一个时滞的BP神经网络模型,采用贝叶斯正则化方法提高BP网络的泛化能力,区别于一般的预测方法,非线性预测不仅注重数据拟合和精度改进,而且能够反映被预测系统的非线性特征。将该模型应用于某电子行业进出口贸易非线性时间序列的预测,结果证明改进的模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。并在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。     

基于深度置信网络的互联网流量预测方法

随着我国互联网数据的飞速发展,数据流量已经出现一定的增长趋势,但随之也给电信网络企业带来巨大的压力,尤其是目前互联网通信的大部分流量源仍然是数据流量。对于当前人们对于互联网的需求逐渐增加,如何将更多流量迁移到TD网络,实现网络的有效承载是一个关键问题,也是当前需要解决的问题。基于此,本文主要运用深度置信网络的方式进行分析,通过对互联网流量数据进行相应的预测,能够有效介绍基于深度置信网络的结构,然后构建不同网络架构下的深度置信网络结构。     

基于改进人口模型的微博话题趋势预测

趋势预测问题是当前社会计算中的研究热点,但微博平台的话题趋势预测还处在探索阶段。在分析、抽取和定义事件趋势的影响因素的基础上,改进了人口模型使其适用于微博趋势预测,然后将改进的人口模型映射在神经网络上,并利用遗传优化的神经网络对事件的趋势进行预测。实验证明,该方法对于预测网络中长期酝酿的事件发展趋势效果明显,能够有效地预测事件的爆发点和发帖量,而且适用于小样本预测问题。     

一种非合作通信中跳频序列多站点联合预测方法

跳频通信具有良好的抗截获与抗干扰性能,而在非合法通信中对跳频序列进行预测可以进行有效攻击和防范。基于此,提出了一种非合作通信中跳频序列联合预测方法。首先通过DeepLabv3+网络对时频图进行语义分割实现跳频序列的检测,然后通过时间卷积网络对跳频序列进行预测,最后通过多站点融合的方法提升预测性能。仿真结果表明,基于DeepLabv3+网络的检测方案可以自适应地在高动态的复杂电磁环境中准确检测跳频信号,时间卷积网络在对跳频序列的预测中表现出良好的抗噪性能以及稳定快速的训练效果,多站点融合能够显著提升预测的准确度,其中加权融合是最佳的融合方案,具有较高的预测精度和鲁棒性。     

基于节点密度的混合式多信道分配算法

为了减小无线传感器网络中的同频干扰和避免网络堵塞问题,文章提出了一种基于节点密度的混合式多信道分配算法。该算法通过考虑链路干扰以及节点密度等因素,来解决局部严重同频干扰问题,实现各信道负载均衡,减少网络阻塞。仿真实验结果分析表明,该算法能有效地解决网络中同频干扰问题,较好地均衡各信道的网络负载,在数据业务较重的情况下,网络性能仍比较良好。