一种IPv6域间路由宣告中的前缀置换方法

提出一种增强IPv6网络BGP路由聚合能力的方法.该方法建议将Provider Independent (PI)地址空间的前缀映射为PA地址空间中相应大小的地址块,然后宣告BGP路由.该方法需要在AS边缘路由器(ASBR)建立前缀置换映射表.必要时采用前缀映射置换的方法处理进出AS的IPv6分组.该方法仅在AS边缘路由器部署,不影响域内路由;该方法提高了BGP聚合路由的可能性,提高了互联网的路由可扩展性.本文的理论分析得出的基本结论是,该方法的地址空间开销和分组转发开销与被置换的PI地址在可路由IP地址空间中的占比有关.采用该方法,对使用PI地址的站点需要重定向服务提供外部访问连接.     

面向地址空间分离网络的地址映射模型:AMIA

地址空间分离是解决互联网路由可扩展问题的有效方法,其关键技术是边缘网地址到核心网地址的映射机制.现有典型地址映射模型基于缓存映射项机制实施,其映射信息交互协议复杂,路由器对映射信息缓存的维护开销很大.而且,缓存机制中映射项查询延迟较长,明显影响到端系统用户的网络体验.文中设计了一种新型的面向地址空间分离网络的域间地址映射模型:AMIA,通过BGP协议扩展完成映射信息交互,映射项存储不带有任何缓存机制,方便实施.文中还为AMIA模型设计研制了集成PE和KMS功能的多功能路由系统,并在CERNET2中搭建实验网进行实验验证.理论分析及实验结果证明AMIA模型具有高性能、可行性及易实施等特点.     

无标度网络上名字无关的紧凑路由研究

紧凑路由是一类可扩展路由方法,能够在使用较短路径路由的同时,大幅降低节点路由表的空间开销.为解决Internet的路由扩展问题,无标度网络上的紧凑路由最近引起了关注.然而,以往的紧凑路由方法大多是名字有关的,即必须对网络节点重新命名或编址,这对于真实网络是不太实际的.针对无标度网络提出了一种名字无关的紧凑路由方法,即不需要显式改变节点的名字,任何节点只需要知道目的节点的原始名字就可以将包送达,因此具有更好的实用性.该方法在名字有关的紧凑路由方法基础上,引入一种名字映射系统.路由过程一般分为两个阶段:先由目的节点的原始名字查询其隐藏的地址,然后根据该地址路由.为了优化路由的性能指标,选择无标度网络中度最大的部分节点作为路由用的地标,并在这些地标上均匀且分布地为所有节点建立名字到位置的映射.分析和仿真表明,该路由方法可以在无标度网络上取得很高的路由性能,与以往最优的名字无关紧凑路由方法相比,在拉伸系数和路由表大小方面都有显著提高.     

一体化网络移动管理机制信令开销分析研究

一体化网络采用身份与位置分离映射机制,避免了传统网络中IP地址在语义上的双重属性问题,使得一体化网络不但可以有效解决核心网的路由可扩展问题,而且可以很好地支持节点的移动性.提出了一种一体化网络的移动性管理机制,详细描述了移动过程中该机制的协议流程,然后建立了一个移动过程信令开销分析模型,并给出了通过该模型计算最佳域大小的方法.根据建立的信令开销模型得出的各种信令开销,通过仿真得到了移动过程中不同参数对总信令开销的影响.     

基于SDN的虚拟网络映射技术的研究与实现

基于SDN技术的虚拟租户网络(VTN)能够使得数据中心网络向多个租户提供互相隔离的虚拟网络。VTN提供了VLAN映射、端口映射用于将虚拟网络节点与物理网络节点进行映射。其中VLAN映射需要对每个主机配置VLAN id,增加了映射的复杂性;端口映射时一旦出现交换机端口故障便不能成功映射。为解决上述问题,本文提出了基于MAC地址映射方法 ,即通过主机的MAC地址直接与虚拟节点进行映射。通过搭建Open Daylight实验平台验证了该方法的可行性。结果表明,该方法能够解决以上映射中的不足,简化了VTN网络与底层网络映射配置,提高了VTN的性能。     

基于FPGA的卷积神经网络加速器动态余数处理映射模型

将卷积计算转化为矩阵乘法是FPGA上一种高效实现,而现有的转化方法无法根据卷积参数的不同动态调整,限制了卷积计算的并行度.提出一种新的动态余数处理映射模型.该映射模型包含有3个子模型:特征值映射模型,权值映射模型,和输出映射模型.特征值映射模型将特征值转化为特征值矩阵,权值映射模型将权值转化为权值矩阵,特征值矩阵和权值矩阵通过乘累加计算阵列得到卷积计算结果,由输出映射模型将卷积计算结果存储到内存中.在卷积计算过程中,卷积的输出通道数通常不是乘累加计算阵列行数的整数倍,3个子映射模型会根据产生的余数动态调整映射方法,提高乘累加计算阵列的利用率.通过实验表明,采用动态余数处理映射模型能够将余数并行度的倍数至多提高到卷积核大小,使整个加速器达到了更高的实际吞吐量和能量效率.     

新型Elman混沌神经网络的流量预测

根据实际网络中测量得到的网络流量数据,提出一种改进型Elman神经网络模型——季节性输入多层反馈Elman网络。在网络权值的训练过程中引入混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,以减少数据冗余,解决局部收敛问题。实验结果表明,该模型及其算法有效提高了网络的训练速度及网络流量的预测精度。     

基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.     

面向集成的VPN构建策略

针对传统VPN（Virtual Private Network）技术构建的企业网络存在扩展、地址冲突、互访控制难于实现等问题. 本文提出一种面向集成的VPN构建思路. 在分析这些问题产生原因的基础上,集成思路的基本思想是将有效的解决方案进行集成,以解决VPN构建中出现的不同问题. 该思路采用MPLS解决隧道扩展性问题,采用BGP解决站点间地址冲突及访问控制的问题. 为了评估该设计方法的性能,本文在企业网络中应用该思想构建了实际的企业VPN. 实际运行结果表明,采用该方法构建的VPN在扩展性、站点间地址冲突、访问控制等方面要优于传统技术.     

基于模糊认知网络的改进非线性Hebbian算法

针对难以用机理模型准确描述的非线性系统,研究基于模糊认知网络(fuzzy cognitive networks,FCN)的非线性系统建模和参数辨识问题.首先,建立非线性系统的具有数值推理和模糊信息表达的模糊认知网络模型,利用包含节点、权值和反馈的有向图表示系统.其次,由于模型的精确性取决于权值参数,提出了一种带终端约束的非线性Hebbian学习算法(nonlinear Hebbian learning,NHL).该算法在权值的学习过程中引入了FCN模型中节点的系统实际值,在原更新机制的基础上,增加了包含反馈值与预测值差值的修正项,然后归一化得到最终权值迭代公式.该算法具有收敛速度快、学习结果精准等优点,解决了传统非线性Hebbian算法对初始值依赖性强的缺点.最后将所提出的方法运用到水箱控制系统,仿真结果说明了基于FCN的非线性Hebbian学习算法的有效性.     

一种基于几何力学的机械臂末端规划算法

在几何力学框架下提出了开链机械臂末端实时追踪避障算法.首先,将回转力引入机械臂末端的自然运动方程,可以在工作空间获得光滑的避障轨迹;其次,利用阻尼最小二乘法求解相应的逆运动学问题,得到关节空间的平滑运动轨迹;最后,通过6自由度机械臂的仿真,并与经典的RRT算法作对比,验证了所提算法的有效性.     

基于结构性质保持和相关性学习的多标记分类算法

现有的多标记学习技术大多只考虑了相关性学习问题而忽略了数据因变换而引起的结构性质不一致问题,导致原始特征数据的结构性质因映射变换发生改变,从而影响了模型的分类性能。为了解决这一问题,提出了基于结构性质保持和相关性学习的多标记分类算法。首先,构造了线性映射函数以实现特征空间与标记空间的映射;然后借鉴图正则化思想,引入基于特征数据的结构性质保持策略以降低特征数据因线性变换引起的结构性质差异;最后,针对标记数据引入基于标记对的相关性学习策略进一步优化算法参数,以提高模型的分类性能。在不同规模的标准数据集上进行测试,结果表明所提算法与一些流行的多标记分类算法相比具有更优的分类性能,验证了所提算法的有效性。     

基于改进粒子群的快速碰撞检测算法研究

针对碰撞检测算法精度低、实时性差等问题,提出了一种基于改进粒子群的快速碰撞检测算法。将粒子群优化算法引入到随机碰撞检测问题中,通过混合层次包围盒缩小粒子搜索空间。利用特征采样将虚拟空间内复杂的碰撞检测转换为二维离散空间中的搜索问题。算法对标准粒子群方程进行了优化处理,通过去除速度项来加快算法后期的收敛速度,在算法中引入高斯扰动缩短粒子跳出局部最优的时间,有效提高了算法的精度。通过实验验证,该算法具有较高的精度、实时性好,能够满足碰撞检测的应用要求。     

Multidimensional Vector Regression for Accurate and Low-Cost Location Estimation in Pervasive Computing

In this paper, we present an algorithm for multidimensional vector regression on data that are highly uncertain and nonlinear, and then apply it to the problem of indoor location estimation in a wireless local area network (WLAN). Our aim is to obtain an accurate mapping between the signal space and the physical space without requiring too much human calibration effort. This location estimation problem has traditionally been tackled through probabilistic models trained on manually labeled data, which are expensive to obtain. In contrast, our algorithm adopts Kernel Canonical Correlation Analysis (KCCA) to build a nonlinear mapping between the signal-vector space and the physical location space by transforming data in both spaces into their canonical features. This allows the pairwise similarity of samples in both spaces to be maximally correlated using kernels. We use a Gaussian kernel to adapt to the noisy characteristics of signal strengths and a Matérn kernel to sense the changes in physical locations. By using real data collected in an 802.11 wireless LAN environment, we achieve accurate location estimation for pervasive computing while requiring a much smaller set of labeled training data than previous methods.     

强化学习在足球机器人基本动作学习中的应用

主要研究了强化学习算法及其在机器人足球比赛技术动作学习问题中的应用．强化学习的状态空间 和动作空间过大或变量连续,往往导致学习的速度过慢甚至难于收敛．针对这一问题,提出了基于T-S 模型模糊 神经网络的强化学习方法,能够有效地实现强化学习状态空间到动作空间的映射．此外,使用提出的强化学习方 法设计了足球机器人的技术动作,研究了在不需要专家知识和环境模型情况下机器人的行为学习问题．最后,通 过实验证明了所研究方法的有效性,其能够满足机器人足球比赛的需要．     

基于核聚类的机动多目标数据关联问题研究

针对新型作战样式条件下空中多机动目标密集回波的数据关联问题,采用核学习方法和K-均值聚类相结合的算法,即基于核的K-均值聚类来解决此问题.该方法的主要思想是,将原空间中的样本通过一个非线性映射,映射到高维的核空间中,以突出各类样本之间的特征差异,然后在核空间中进行K-均值聚类.仿真结果表明,该方法有效提高了密集回波环境下系统跟踪机动多目标的关联精度和可靠性.     

基于引力自适应步长RRT的双臂机器人协同路径规划

快速扩展随机树（RRT）方法的步长确定过分依赖于程序调试,而且固定的步长会导致碰撞检测失效问题．针对此问题,本文提出一种适用于双臂机器人协同路径规划的引力自适应步长RRT．首先,通过建立构型空间与工作空间的步长范数不等式,对双臂机器人在工作空间中所产生的步长进行约束,进而确保实现有效的碰撞检测;然后,提出随机树被动生长方法,在保证双臂机器人协同运动的基础上,降低规划空间的维度．最后,在随机树的节点处引入引力函数,加快算法的融合速度．仿真结果表明,引力自适应步长RRT方法可对工作空间中的步长进行有效约束,确保算法碰撞检测的有效性．在无碰撞的前提下,引力自适应步长RRT方法相比于其他算法减少了迭代次数,降低了运行时间并缩短了路径长度．将所提算法应用于双臂机器人的样机实验,结果表明双臂机器人可在保持位置协同的前提下,完成避障运动,验证了算法的可行性．     

基于局部保留投影的堆叠隐空间模糊C均值算法*

传统模糊聚类算法在处理复杂非线性数据时学习能力较差。针对此问题,文中基于极限学习机(ELM)理论,结合局部保留投影(LPP)与ELM特征映射,提出压缩隐空间特征映射算法,从而将原始数据从原空间映射至压缩ELM隐空间中。通过连接多个压缩隐空间特征映射,结合模糊聚类技术,提出基于LPP的堆叠隐空间模糊C均值算法。大量实验表明,文中算法对模糊指数的变化不敏感,在处理复杂非线性数据和存在类内差异的图像数据时,能够取得更精确、高效、稳定的学习效果。     

基于双向映射学习的多标签分类算法

现有的多标签学习算法往往只侧重于实例空间到标签空间的正向投影,正向投影时由于特征维数降低所产生的实例空间信息丢失的问题往往被忽略。针对以上问题,提出一种基于双向映射学习的多标签分类算法。首先,利用实例空间到标签空间的正向映射损失建立线性多标签分类模型;然后,在模型中引入重构损失正则项构成双向映射模型,补偿由于正向映射时导致的鉴别信息的丢失;最后,将双向映射模型结合标签相关性和实例相关性充分地挖掘标签之间、实例之间的潜在关系,并利用非线性核映射提高模型对非线性数据的处理能力。实验结果表明,与近年来的其他几种方法相比,该方法在汉明损失、一次错误率和排序损失上的性能平均提升17.68%、17.01%、18.57%;在六种评价指标上的性能平均提升了12.37%,验证了模型的有效性。     

基于流的实时碰撞检测算法

实时碰撞检测是计算机图形应用中不可或缺的问题之一,复杂物体间的实时碰撞检测至今仍未能得以很好的解决.高性能可编程图形硬件的出现,正在改变着通用计算仅能由CPU完成的传统观念.探索性地采用了可编程图形硬件来解决复杂物体间的实时碰撞检测问题.通过将两个任意物体间的碰撞检测计算映射到图形硬件以有效利用图形硬件的并行架构,由实时绘制过程快速产生碰撞检测结果.为此,算法首先将碰撞检测问题转化为一组线段集合与三角形的求交问题,以实现碰撞检测算法向可编程图形硬件的迁移.在对算法复杂度进行理性分析的基础上,给出了两种有效的优化技术以提升算法效率.实验结果表明,与现有的图像空间碰撞检测算法相比,该算法在效率、精确性和实用性方面具有明显优势.