网络流量长相关特性估计算法性能评估

定量刻画网络流量的长相关特性是网络特性研究的重要基础。对当前常用的Hurst指数估计算法进行了详细归纳。在此基础上，以已知Hurst指数的分形高斯噪声(fGn)序列为主要研究对象，利用逆向方法，分别研究了周期信号以及高斯白噪声影响下的Hurst指数估计算法的估计性能。通过比较，发现没有任何一种Hurst指数估计算法能够广泛应用于复杂条件下网络流量序列的Hurst指数的准确估计，其主要原因是因为这些算法的主要思想都是在全域内运用了求和平均的方法，使得流量序列的高可变信息受损，导致估计误差增大。     

视频流量中基于小波的Hurst参数估计研究

小波变换具有低计算量和尺度不变性等特点,广泛应用于Hurst参数的估计中.针对H.263编码的视频序列进行实验,应用基于小波变换的Hurst参数估计,并与R/S分析法进行比较,两者产生的Hurst参数不同.实验结果的分析表明,由于视频流量中存在长相关和尺度指数的可变性,基于小波的估计方法存在不可靠性.     

基于FRFT自相似参数估计的异常流量检测方法

针对传统异常流量检测方法检测精度较低, Hurst指数估计受估计序列尺度的影响, 提出了基于分数阶傅里叶变换（FRFT）估计Hurst指数的方法。在此基础上, 实现了基于Hurst指数变化的异常检测, 有效解决了方法实现过程中FRFT最佳估计的分数阶阶数选择及Hurst参数求解的关键问题。实验表明, 基于FRFT的估计不受序列非平稳性影响, 对Hurst指数估计具有较高的估计精度, 并且可以准确地检测网络异常。     

长相关网络流量Hurst指数估计算法

针对传统长相关网络流量Hurst指数估计算法估计结果不准确、可变信息受损严重的情况,提出时域内滑窗时变方差之差Hurst指数估计算法,采用已知参数的人工分形高斯噪声序列及Bellcore采集的真实网络流量序列BC—pOct89对其进行验证。结果表明该算法减少了可变信息损失,能动态地刻画全域上的长相关特性,具有较高的准确性和鲁棒性。     

网络流量长相关特性的滑窗时变估计算法

网络流量在动态演进过程中呈现出长相关(LRD)特性,定量描述LRD特性是网络行为研究的重要问题之一.由于传统LRD估计算法采用全域求和平均,造成序列中突发信息损失,致使传统算法均不能在复杂条件下有效估计LRD.在引入时变Hurst指数函数的概念后,提出了时域滑窗时变Hurst(SWTV-H)估计算法.SWTV-H算法在某一分辨率水平上给出局域内Hurst指数的估计,并通过局域时移实现流量序列全域内LRD趋势的动态估计.分别用仿真以及真实网络流量数据对其有效性进行了验证,与传统算法的估计结果相比,SWTV-H算法能更准确估计LRD特性,且具有更好的鲁棒性.     

一种新的LTE系统频偏估计算法

相位差分算法是LTE系统中经典的频偏估计算法,受LTE信号结构的限制,其估计范围较小且不能工作于跳频传输模式.针对相位差分算法的缺点,提出了一种基于互相关函数能量比的频偏估计算法.该算法根据LTE上行链路PRACH信道中ZC序列循环移位和频偏之间的关系,利用接收ZC序列与原始序列的互相关函数和接收ZC序列与原始序列的单位循环移位序列的互相关函数的能量比来估计频偏,可增大频偏估计范围,减少信噪比对估计误差的影响,且不受跳频传输的影响.仿真结果表明,相比传统的相位差分算法,该算法频偏估计范围更大,估计精度随信噪比变化较小,可有效改善LTE系统频偏估计性能.     

基于快速判别式尺度估计的核相关滤波方法

针对核相关滤波（KCF）算法无法对视频序列中目标尺度变化作出响应的问题，提出一种基于快速判别式多尺度估计的核相关滤波跟踪算法。首先，使用核相关滤波器来估计目标位置；然后，通过使用一组不同尺度的目标样本来在线学习快速判别式尺度滤波器；最后，在目标位置应用学习的尺度滤波器来获得目标尺寸的准确估计。选取Visual Tracker Benchmark视频序列集进行实验，并与基于判别式尺度空间跟踪（DSST）的KCF算法和传统KCF算法进行对比，结果表明，在目标尺度发生变化时，所提算法在跟踪精度上提高了2.2%至10.8%；并且在平均帧率上，所提算法比DSST的KCF算法提高了19.1%至68.5%，表明该算法对目标尺度变化有很强的适应能力和较高的实时性。     

Hurst参数估计方法的性能评价与分析

不同算法对同一个网络流量序列的H参数估计结果会有显著差异,因此各种估计算法之间的性能比较是非常必要的.首先,讨论影响估计算法的因素--信号的周期性、信号的长度等.其次,从准确性、一致性、运算复杂度以及运算时间对这些算法作出了综合的比较.最后,给出了一个Hurst参数的估计系统平台.     

OFDM定时和频率同步改进算法

在OFDM系统算法中,针对Minn算法存在符号定时和频率同步精度不高,定时模糊等问题,提出了一种OFDM改进同步算法.改进算法依照Minn算法原有的序列pattern,用ZC序列作为新的训练序列,并多次进行相关得以提高精度,最后给出了新的定时尺度函数和频偏估计函数.由于ZC序列具有相关峰尖锐和零旁瓣的特点,使得系统的同步定时估计和频率估计更加精准.理论分析和仿真结果表明,改进算法的定时尺度非常尖锐,频偏估计的均方误差较低.     

一种时间序列相似匹配新算法

为提高时间序列相似匹配的精度和效率，提出一种基于小波包变换的时间序列相似匹配算法．首先利用小波包可对信号进行精细分析的特点，对时间序列进行维数约简，用变换后的低频系数和部分高频均值系数作为特征向量表示原始序列；然后用多维索引结构R树存储这些特征向量，将欧几里德距离作为相似尺度，在此基础上实现了范围查询和k近邻查询，对电力负荷时间序列数据的仿真实验结果表明了算法的有效性。     

WLAN中OFDM系统载波频率同步算法研究

针对OFDM技术中的载波频率同步问题,分析了载波频率偏差对OFDM系统造成的影响,总结了基于IEEE802.11标准的三种常见的频偏估计算法:基于循环前缀的最大似然算法、基于训练序列的时域相关算法和基于导频的频域相关算法,提出一种基于训练序列和导频的联合载波频偏估计算法。性能仿真结果表明,该联合估计算法在估计范围和估计精度上具有明显的优势,适合实际工程应用。     

Estimation model for kinematic calibration of manipulators with a parallel structure

This article provides an estimation model for calibrating the kinematics of manipulators with a parallel geometrical structure. Parameter estimation for serial link manipulators is well developed, but fail for most structures with parallel actuators, because the forward kinematics is usually not analytically available for these. We extend parameter estimation to such parallel structures by developing an estimation method where errors in kinematical parameters are linearly related to errors in the tool pose, expressed through the inverse kinematics, which is usually well known. The method is based on the work done to calibrate the MultiCraft robot. This robot has five linear actuators built in parallel around a passive serial arm, thus making up a two-layered parallel-serial manipulator, and the unique MultiCraft construction is reviewed. Due to the passive serial arm, for this robot conventional serial calibration must be combined with estimation of the parameters in the parallel actuator structure. The developed kinematic calibration method is verified through simulations with realistic data and real robot kinematics, taking the MultiCraft manipulator as the case. © 1994 John Wiley & Sons, Inc.     

A new approach to clustering

Estimation theory is used to derive a new approach to the clustering problem. The new method is a unification of centroid and mode estimation, achieved by considering the effect of spatial scale on the estimator. The result is a multiresolution method which spans a range of spatial scales, giving enhanced robustness both to noise in the data and to changes of scale in the data, by using comparison between scales as a test of cluster validity. Iterative and non-iterative algorithms based on the new estimator are presented and are shown to be more accurate than simple scale-space filtering in identifying and locating the cluster centres from noisy test data. Results from a wide range of applications are used to illustrate the power and versatility of the new method.     

基于并行处理的快速运动估计算法

运动估计是视频编码的一项关键技术。该文针对传统搜索算法串行处理的缺点,提出了一种基于并行处理的快速运动估计算法。该算法利用序列图像的相邻块运动矢量的高度相关性和运动矢量的中心偏移特性,在搜索过程中根据图像的内容(运动类型)进行并行处理,加速了块匹配的快速搜索策略。实验结果表明,该算法在速度和准确性方面都有了很大的提高。     

改进的FBMC系统高效前导信道估计算法

针对传统的干扰近似利用(IAM)算法导频开销过大或计算复杂度高和导频对(POP)算法抵抗噪声能力差等问题,论文提出了两种新的导频结构算法。第一种导频结构为新IAM导频结构,将导频一侧的数据取相反数作为辅助导频放置在导频另一侧,从而减少了一列导频符号开销。第二种导频结构为新POP导频结构,在导频对中引入虚数来增加等效导频功率,从而提高信道估计性能。并且论文从理论上分析了两种新导频结构算法的性能。仿真表明,新导频IAM算法在保持其传统信道估计性能时,减少了1/3导频开销,提高了数据传输效率,同时新导频POP算法比起传统的POP算法能够取得很好的信道估计性能。     

一种基二快速Hadamard变换的并行算法

快速Hadamard变换被广泛应用于信号与图像处理、通信系统、数字逻辑等领域中．当问题规模非常大时,快速Hadamard变换有可能不能满足计算时间的要求;这种情况下,算法并行化是一种行之有效的手段．本文以单像素相机的压缩感知图像复原为应用背景,利用基二快速Hadamard变换与快速傅里叶变换的结构相似性,提出一种通用的基二快速Hadamard变换的任务级并行算法,并用构造方式证明了该并行算法与串行算法计算结果之间的等价性．仿真表明对于小于2²⁰向量长度的问题规模以及并行子任务数少于2¹⁰的情况,该并行算法对比串行算法的数值计算结果的欧氏距离平方误差小于10^-18,佐证了并行算法的正确性．在PC平台通过多核CPU上POSIX线程实现的实验表明：在该特定平台和特定配置上对于2²⁰至2²⁵向量长度的问题规模并行计算加速比为1.33~1.42,证明了文中提出方法的可行性和有效性.     

A novel algorithm for estimation of depth map using image focus for 3D shape recovery in the presence of noise

Three-dimensional shape recovery from one or multiple observations is a challenging problem of computer vision. In this paper, we present a new Focus Measure for the estimation of a depth map using image focus. This depth map can subsequently be used in techniques and algorithms leading to the recovery of a three-dimensional structure of the object, a requirement of a number of high level vision applications. The proposed Focus Measure has shown robustness in the presence of noise as compared to the earlier Focus Measures. This new Focus Measure is based on an optical transfer function implemented in the Fourier domain. The results of the proposed Focus Measure have shown drastic improvements in estimation of a depth map, with respect to the earlier Focus Measures, in the presence of various types of noise including Gaussian, Shot, and Speckle noises. The results of a range of Focus Measures are compared using root mean square error and correlation metric measures.     

基于数据中心流量特征的端到端流量估计算法

数据中心是云计算等大型分布式计算服务的基础,有效地设计与管理数据中心需要遵循数据中心网络的端到端流量特征。然而直接地测量网络的端到端流量需要耗费巨大的软件成本和硬件成本,并且由于数据中心网络结构的特殊性,传统的计算机网络采用的流量估计方法也无法适用于现有的数据中心网络。为解决以上问题,首先依据数据中心的资源分配和链路利用率情况提取出网络的粗粒度流量特征,在此基础上提出一种基于重力模型和网络层析技术的数据中心端到端流量估计算法。与现有的流量推理算法Tomogravity和ELIA在NS3搭建的不同规模的数据中心网络中进行性能对比,实验结果表明,所提算法能有效地利用提取出的粗粒度流量特征,在保证计算效率的前提下将计算准确度大幅提升,可满足当前数据中心网络实时获取端到端流量数据的需求。     

一种抗遮挡的自适应尺度目标跟踪算法

在处理尺度变化和目标遮挡方面,利用相关滤波器的不同特征进行目标跟踪仍然存在问题。提出了一种基于随机蕨丛检测器的多尺度核相关滤波器算法。该算法将跟踪任务分解为目标尺度估计和位移估计,同时将CN颜色特征和HOG特征进行响应融合,进一步提高了整体跟踪性能。此外,文中训练了一个在线随机蕨分类器,在目标丢失后其能重新获取目标。与KCF,DSST,TLD,MIL,CT共5种算法相比,所提算法不仅能够准确地估计目标状态,而且可以有效处理目标的遮挡问题。     

序列多智能体强化学习算法

针对当前多智能体强化学习算法难以适应智能体规模动态变化的问题,文中提出序列多智能体强化学习算法(SMARL).将智能体的控制网络划分为动作网络和目标网络,以深度确定性策略梯度和序列到序列分别作为分割后的基础网络结构,分离算法结构与规模的相关性.同时,对算法输入输出进行特殊处理,分离算法策略与规模的相关性.SMARL中的智能体可较快适应新的环境,担任不同任务角色,实现快速学习.实验表明SMARL在适应性、性能和训练效率上均较优.