基于EPSO-RVM的网络入侵检测模型

为了提高网络入侵检测的正确率,提出一种精英选择策略粒子群算法（EPSO）优化相关向量机（RVM）的网络入侵检测模型（EPSO-RVM）。将相关向量机的参数编码成粒子,将入侵检测正确率作为粒子群搜索的目标,通过粒子群算法对参数优化问题进行求解,并引入精英选择策略增强粒子群算法的全局搜索能力,根据最优参数建立基于RVM的入侵检测模型,采用KDD99数据集对其性能测试,结果表明,相对于对比模型,EPSO-RVM较好地解决了相关向量机参数优化难题,提高了网络入侵检测的正确率。     

HWMP协议的路径选择参数的研究与改进

混合无线网格协议中的路径选择参数过于注重考虑不同网络间路径选择操作的兼容性,而没有很好地考虑到802.11s中各条链路类型的差异对路径选择操作的影响。针对该问题,同时考虑到802.11s支持多速率通讯的要求,在传统WCETT的基础上提出了一种新的路径选择参数计算方案。最后,进行了仿真实验,结果表明：新的路径选择参数有助于提高网络吞吐量,降低丢包率。因此,该参数对于优化基于802.11的无线网格网的路径选择,提高网络性能是行之有效的。     

量子粒子群优化算法的控制参数分析

针对现有的量子粒子群优化算法（ QPSO）中收缩扩张系数α取固定值或线性变化时,不能很好地适应复杂的多维非线性优化搜索问题,提出了两种参数α控制策略：基于Logistic函数的动态非线性递减策略和自适应参数调整策略。在第一种策略中引入S型函数来描述α值在进化过程中的动态变化特性,第二种策略中引入反馈调节方式来控制α值的变化。几个典型函数的实验测试结果表明,两种改进后的参数调整策略对于复杂优化问题在收敛速度和平均最优值上都有所改善,明显优于取固定值或线性变化策略。     

基于改进量子粒子群和主动PI模型的自适应无线传感器网络拥塞控制算法设计

针对无线传感器网络中路由节点需要转发大量数据导致网络拥塞,从而引起节点丢包率高和网络吞吐率过低的问题,提出了一种基于主动PI模型和改进量子粒子群优化算法的拥塞控制方法;首先定义了丢包率和队列长度计算方式;设计了改进的PI主动队列管理模型,然后,为了改进PI模型的控制效果,采用改进的量子粒子群算法对PI主动队列管理模型中的比例系数和积分系数kP和kI进行参数优化,从而得到能实现WSN自适应控制的主动PI控制模型;最后,对基于量子粒子群算法和PI主动队列模型的网络拥塞算法进行了描述和说明;仿真实验表明:文中提出的拥戴控制方法能有效实现WSN拥塞控制,是一种适用于WSN的有效拥塞控制方法,与其它方法相比,具有较短的平均队列长度和较大的网络吞吐率,具有很强的可行性。     

基于改进粒子群算法的网络路由选择和CFA的优化研究

为了降低计算机网络的时延和运营费用以改进网络性能,首次采用一种改进的粒子群算法优化计算机网络中路由选择和链路容量与流量分配(CFA)问题.将改进算法的惯性权重改进为线性衰减的变化权重,加入了线性变化的学习因子、模拟退火机制,变异操作及邻域搜索策略,提高了算法的性能.计算机仿真结果表明,同传统优化算法相比该方法对求解网络的路由选择和CFA问题具有很大优越性.研究结果不仅对各类网络的优化问题有一定的应用价值,而且也扩展了粒子群算法的应用范围.     

基于灰狼算法优化DBN的医院网络异常流量识别

为了提高医院网络异常流量识别的精度,提出一种基于灰狼算法优化DBN的医院网络异常流量识别方法。针对DBN模型性能受权值和偏置参数的影响,运用灰狼算法对DBN模型的权值和偏置进行优化选择,将医院网络流量特征数据作为DBN模型的输入向量,网络异常流量的类型作为DBN模型的输出向量,建立GWO-DBN的医院网络异常流量识别模型。研究结果表明,GWO-DBN进行医院网络异常流量识别具有更高的准确率、检测率和更低的误报率。     

一种融合用户情感与相似度的智能旅游路径推荐方法

近年来,随着社交网络的发展,如何设计出符合用户个性化需求的路径推荐方法,已成为重要的研究热点.文中考虑了兴趣点的相关特征,将用户的情感与商品相似度融入蚁群算法的启发函数中,采用精英管理蚂蚁策略,最大化管理蚂蚁策略的改进策略,同时利用粒子群算法改进蚁群算法的初次信息素分布,结合数据集中593名游客的评分以及文本评论数据,提出基于粒子群-蚁群的旅游路径推荐算法(Particle Swarm-Ant Colony algorithm for user emotion and similarity,PS-AC)算法,并用改进后的蚁群算法实现环游景区内高人气景点的用户旅游路径推荐.基于真实的数据集测试表明,所提算法在精确率、召回率、F测度值上均有较好的性能.     

一种融合用户情感与相似度的智能旅游路径推荐方法

近年来,随着社交网络的发展,如何设计出符合用户个性化需求的路径推荐方法,已成为重要的研究热点.文中考虑了兴趣点的相关特征,将用户的情感与商品相似度融入蚁群算法的启发函数中,采用精英管理蚂蚁策略,最大化管理蚂蚁策略的改进策略,同时利用粒子群算法改进蚁群算法的初次信息素分布,结合数据集中593名游客的评分以及文本评论数据,提出基于粒子群-蚁群的旅游路径推荐算法(Particle Swarm-Ant Colony algorithm for user emotion and similarity,PS-AC)算法,并用改进后的蚁群算法实现环游景区内高人气景点的用户旅游路径推荐.基于真实的数据集测试表明,所提算法在精确率、召回率、F测度值上均有较好的性能.     

基于联合编码且负载均衡的AODV路由策略

在无线网状网中,为使AODV(Ad hoc On-demand Distance Vector routing)路由协议支持流间编码并解决流间编码带来的负载不均衡问题,提出了一种优化的路由策略 CLAODV (Coding-aware and Load balanced AODV)。该策略允许编码节点的多个下游节点共同解码同一个编码包,以增加路径上的编码机会。同时,设计了一个可以同时体现路径上编码增益、路径丢包率以及路径负载程度的新路由度量参数(Expected Coding-aware Transmission Count and Load balancing,ECTXL)。CLAODV路由策略可根据该参数进行路由选择。仿真结果表明:与其他相关路由策略相比,文中提出的CLAODV路由策略不仅能有效增加路径的编码机会,提高网络吞吐量,而且可以明显降低路由时延与带宽资源开销。     

改进粒子群算法和支持向量机的网络入侵检测

网络入侵检测一直是网络安全领域中的研究热点,针对分类器参数优化难题,为了提高网络入侵检测准确性,提出一种改进粒子群算法和支持向量机相融合的网络入侵检测模型(IPSO-SVM).首先将网络入侵检测率作为目标函数,支持向量机参数作为约束条件建立数学模型,然后采用改进粒子群算法找到支持向量机参数,最后采用支持向量机作为分类器建立入侵检测模型,并在Matlab 2012平台上采用KDD 999数据进行验证性实验.结果表明,IPSO-SVM解决了分类器参数优化难题,获得更优的网络入侵分类器,提高网络入侵检测率,虚警率和漏报率大幅度下降.     

Asymmetric exclusion process for modeling of information flow

In this paper we investigate the dynamics of totally asymmetric exclusion process (TASEPs) on a one-dimensional lattice with long-range hopping and parallel update. The model is inspired by information traffic over networks. Compared to other TASEP models, particles in our model will firstly try to hop to the last site with a probability q. The probability q may reflect network reliability or available bandwidth. A mean-field approach is developed to deal with the long-range hopping. Theoretical calculations for stationary particle currents, density profiles and a phase diagram have been obtained. There are two possible stationary phases (LD and HD) in the system, corresponding to free flow and jammed flow, respectively. Interestingly, bulk density in the LD phase tends to zero, while in the HD phase it is the same as that of the normal TASEP. The LD and HD phase regions are obtained numerically. The steady-state currents and density profiles obtained from computer simulations show a very good agreement with theoretical predictions. The model and theoretical results may provide a better understanding of information traffic flow over networks.     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

一种融合时空关联与社会事件的交通流预测方法

交通流预测作为智能交通系统的一个关键问题,是国内外交通领域的研究热点。交通流预测的主要挑战在于交通流数据本身具有复杂的时空关联,且易受各种社会事件的影响。针对这些挑战,提出一种用于交通流预测的深度学习框架。一方面,针对道路网络非欧氏的空间关联以及交通流时序数据的时间关联,设计了一种融合图卷积神经网络和循环神经网络的特征抽取子网络;另一方面,针对社会事件对交通流的潜在影响,设计了一种基于卷积神经网络的社会事件特征抽取子网络。最后,融合时空关联特征抽取子网络和社会事件特征抽取子网络,实现交通流预测模型。为了验证模型的有效性,文中基于真实交通流数据进行了实验。结果表明,所提模型与传统的预测模型相比具有较高的准确度,准确度提高了3%~6%。     

基于深度学习的短时交通流预测模型

交通流预测在智能交通领域有着重要的现实意义。由于交通流数据受多种因素影响,平稳性差、随机性强,呈现出高度非线性的特征,使得交通流预测极为困难。针对短时交通流预测准确性的要求,本文提出一种基于互补集成经验模态分解(Complete Ensemble Empirical Mode Decomposition, CEEMD),并结合卷积神经网络(Convolutional Neural Networks, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)的短时交通流预测方法。模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率。在真实交通流数据上进行实验验证,结果表明,本文提出的模型可以有效提高交通流预测的准确性。     

A piecewise switched linear approach for traffic flow modeling

Traffic modeling is a key step in several intelligent transportation systems (ITS) applications. This paper regards the traffic modeling through the enhancement of the cell transmission model. It considers the traffic flow as a hybrid dynamic system and proposes a piecewise switched linear traffic model. The latter allows an accurate modeling of the traffic flow in a given section by considering its geometry. On the other hand, the piecewise switched linear traffic model handles more than one congestion wave and has the advantage to be modular. The measurements at upstream and downstream boundaries are also used in this model in order to decouple the traffic flow dynamics of successive road portions. Finally, real magnetic sensor data, provided by the performance measurement system on a portion of the Californian SR60-E highway are used to validate the proposed model.     

多视角融合的时空动态图卷积网络城市交通流量预测

城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联.2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,本文提出了一种多视角融合的时空动态图卷积模型用于预测交通流量.首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性.其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征.接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测.最后,在四种真实交通数据上的实验结果证明了本文模型的有效性和准确性.     

智能交通信息物理融合云控制系统

针对现代智能交通信息物理融合路网建设中的对象种类复杂、采集数据量大、传输及计算需求高以及实时调度控制能力弱等问题，基于云控制系统理论，以现代智能交通控制网络为研究对象，设计了智能交通信息物理融合云控制系统方案，包括智能交通边缘控制技术和智能交通网络虚拟化技术.基于智能交通流大数据，在云控制管理中心服务器上利用深度学习和超限学习机等智能学习方法对采集的交通流数据进行训练预测计算，能够预测城市道路的短时交通流和拥堵状况.进一步在云端利用智能优化调度算法得到实时的交通流调控策略，用于解决拥堵路段交通流分配难题，提高智能交通控制系统动态运行性能.仿真结果表明了本文方法的有效性.     

基于O-D矩阵估计的路网交通流量仿真模型

为了将交通出行需求对路网交通流量的影响进行动态的量化分析,提出了一个基于O-D矩阵估计的路网交通流量仿真模型。利用O-D矩阵估计的重力模型计算方法、复杂网络理论和路段阻抗模型,构建了路网模型;在人们出行总是选择路段阻抗最小路径的假定下,设计了出行需求的路网流量映射算法;基于离散事件仿真,在PC系统上实现了路网流量仿真系统。仿真结果表明：该仿真系统可以根据各交通子区域出行需求的变化,精确模拟路网流量和交通状态的动态演进。     

基于LSTM的疏浚管道流速预测模型

疏浚管道输送系统是绞吸挖泥船的重要组成部分,在施工过程中对流速的控制至关重要。该文以现有疏浚管道输送实验台为对象,提出了一种疏浚管道输送系统的流速预测模型。首先针对反向传播神经网络(BP)无法处理序列间的关联信息以及传统循环神经网络(RNN)无法记忆久远关键信息的缺陷,提出了基于长短期记忆循环神经网络(LSTM)的流速预测模型;然后使用LSTM模型对疏浚管道输送实验台和绞吸挖泥船的数据集进行网络训练,并对管道流速进行预测。通过将流速的预测值与真实值进行对比,验证了该文提出的LSTM模型具有很强的适用性和很高的准确性。     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。