基于车联网的广播MAC协议性能分析

针对车载自组织网络IEEE 802.11协议中媒体访问控制(medium access control, MAC)层一维广播性能分析模型不适用于小竞争窗口的问题,提出一种考虑了连续冻结过程(consecutive freeze process, CFP)现象的二维马尔科夫模型。将CFP映射为连续发送分组过程和连续退避冻结过程,分析得出饱和状态下节点各状态转移的概率,并推导出节点广播分组的性能表达式。仿真结果表明,与一维分析模型相比,即使是在争用信道的竞争窗口较小情况下,该二维分析模型也能很好地预测饱和状态下节点广播分组的平均时延、吞吐量和成功接收率。     

蚂蚁路由算法中agent分析

就蚂蚁路由算法的agent数量和跳跃步数的行为提出简要分析,并在节点agent数量的期望,agent跳跃步数的期望方面给出结论.提出如何设计k值(对每个请求产生的agent的数目)和agent最大跳跃数以减少对网络流量和主机计算能力的影响.     

一个新颖的轮廓线跟踪算法

提出了一个新颖的基于隐马尔科夫模型与光流的轮廓线跟踪算法。曲线描绘由B样条形状空间向量来表达,能够捕捉全局和局部变形。提出应用沿曲线的光流计算来预测曲线在下一帧的位置,在预测曲线的基础上,提出应用隐马尔科夫模型来准确定位曲线的位置。隐马尔科夫模型提供了一种有效的概率手段来融合多种量测特征比如边缘,曲线平滑性,区域灰度或颜色统计信息等等,能够更准确的定位曲线位置。基于仿射形状空间的实验了表明本文所提出算法的有效性。     

推进信息化，提高电机企业核心竞争力

随着国际互联网在全球的日益普及，电子商务得到了迅速发展。全球化与信息化的互动将成为世界经济持续增长的主要推动力之一。我国加入世贸组织之后，国内企业已直接面对国际大市场和国内外同行的竞争，企业欲实现跳跃式地发展，除管理思想必须脱胎换骨外，首先应实现企业管理和技术的跳跃，否则将无法适应世界潮流。     

扩展有限元法在线弹性断裂力学中的应用研究

采用改进的XFEM对有限板单边裂纹的应力强度因子和Ⅰ型裂纹的扩展进行分析，数值计算结果表明了该方法的有效性，从而避免了常规有限元方法中的网格重构，大大简化了裂纹扩展的分析过程。     

基于马尔科夫链的组密钥更新代价分析方法

组密钥管理机制大多基于树结构或星结构。在这两种结构中,成员的加入和离开均对密钥更新代价影响很大。提出基于连续时间马可夫链的代价更新分析方法,利用连续时间马可夫链来模拟成员动态变化,并对星结构和树结构的组播密钥管理方案进行更新代价仿真分析,并比较了两者的性能差异。仿真结果表明,组成员离开的概率和速率是影响星结构和树结构密钥管理方案在密钥更新代价上差异的主要因素。因此,在动态变化的环境下,应使用星结构和树结构相结合的组密钥管理机制。     

基于动态时间规整的手势加速度信号识别

为了提高基于加速度传感器的动态手势识别算法的性能,本文采用了动态时间规整(DTW)识别算法。通过该算法计算测试模板和参考模板的相似度,从而得出识别结果。为了验证该方法,建立了一套手势加速度无线采集系统,并采集了41个志愿者的手势信息。实验结果表明,该方法手势平均识别率在97%以上。与HMM识别算法相比,DTW识别算法在识别的准确率上比HMM识别算法更具优势。     

基于区块自适应特征融合的图像实时语义分割

近年来结合深度学习的图像语义分割方法日益发展, 并在机器人、自动驾驶等领域中得到应用. 本文提出一种基于区块自适应特征融合(Block adaptive feature fusion, BAFF) 的实时语义分割算法, 该算法在轻量卷积网络架构上, 对前后文特征进行分区块自适应加权融合, 有效提高了实时语义分割精度. 首先, 分析卷积网络层间分割特征的感受野对分割结果的影响, 并在跳跃连接结构(SkipNet) 上提出一种特征分区块加权融合机制; 然后, 采用三维卷积进行层间特征整合, 建立基于深度可分离的特征权重计算网络. 最终, 在自适应加权作用下实现区块特征融合. 实验结果表明, 本文算法能够在图像分割的快速性和准确性之间做到很好的平衡, 在复杂场景分割上具有较好的鲁棒性.     

基于U-Net的多尺度融合视网膜血管分割算法

针对眼底血管图像具有形状多样、分叉较多、曲度复杂的特点,提出了一种多尺度融合视网膜血管分割算法.该算法基于U-Net模型进行改进,首先在编码和解码部分使用短跳跃连接模块将网络浅层和深层的特征信息进行融合,通过增加浅层特征的权重,更多地保留了血管的边缘和细微结构信息.其次在编码部分采用空洞卷积构建空洞空间金字塔池化模块代替传统卷积块,来扩大算法的感受野,从而在不增加网络参数的同时进行多尺度特征融合,提取更丰富的空间信息.通过在DRIVE数据集上进行验证,实验结果表明:本算法的准确率和AUC值分别达到0.9572、0.9811,与U-Net等其他基于深度学习的算法相比分割效果更优,从而验证本算法在视网膜血管分割中更加有效.