无线传感器节点定位中基准锚节点的选择研究

针对无线传感器节点精确定位问题,提出一种通过选择基准锚节点实现提高定位精度的改进最小二乘定位算法。目前最小二乘定位算法未能充分利用通过合理选择基准锚节点达到提高定位精度的作用,鉴于此,提出利用累积相对误差最小方法选择基准锚节点,然后,用最小二乘法定位待测节点。仿真结果表明,在较少的增加算法复杂度的基础上能够较大地提高定位精度。     

基于文本图像修正的两阶段船名识别框架

船舶名称（牌照）识别在水路运输系统中发挥着重要的作用。针对船舶名称在内河航道中目标较小且航道两岸观测船舶存在较大倾斜角度导致难以识别的问题,提出一个以自然场景文本检测算法（differentiable binarization, DB）和文本识别算法（convolutional recurrent neural network, CRNN）为基础的船舶名称自动识别框架（automatic ship name identification,ASNI）,ASNI包括以下3个部分：船名检测、文本图像修正和识别,其中,船名文本图像修正由船名矫正模块和超分辨率重建模块构成。首先,该框架利用DB算法对图像船名候补区域特征进行自适应尺度融合处理获取特征图,通过特征映射预测生成的二值图像寻找连接区域,以此获得船名感兴趣区域（ROI）。其次,在船名检测之后引入船名矫正模块,基于透视变换对ROI中船名不规则文本进行矫正。此外,设计超分辨率重建模块,对矫正后的船名图像进行超分辨率重建处理,以提高船名图像的分辨率。最后,利用CRNN算法对文本图像修正后的ROI中船名进行识别得到最终结果。通过在内河航道船舶数据集（ship license plate,SLP）上进行训练和测试,最终实验结果显示,ASNI框架对船舶识别的平均准确率为87.50%,相比于基础框架提升了3.12%。本文设计的框架有效解决了因分辨率不足和倾斜导致船舶识别不准确的问题,相比基础框架,ASNI有更好的识别效果。     

交通标志的检测与识别方法研究综述

交通标志的检测与识别是当今目标检测领域一项较为关键的技术,在智能交通系统和辅助驾驶技术中发挥着重要作用。对交通标志检测与识别领域早期的传统方法和现阶段较流行的深度学习方法分别做了阐述和分析,相较于传统的交通检测和交通识别方法,基于深度学习的方法更能兼顾准确性和实时性,对于遮挡、光线变化、目标太小等情况有很好的鲁棒性。最后总结了国内外常用的交通标志数据集,并对深度学习方法在该领域的发展进行了展望。     

图神经网络应用于知识图谱推理的研究综述

知识推理（KR）作为知识图谱构建的一个重要环节,一直是该领域研究的焦点问题。随着知识图谱应用研究的不断深入和范围的不断扩大,将图神经网络（GNN）应用于知识推理的方法能够在获取知识图谱中实体、关系等语义信息的同时,充分考虑知识图谱的结构信息,使其具备更好的可解释性和更强的推理能力,因此近年来受到广泛关注。首先梳理了知识图谱和知识推理的基本知识及研究现状,简要介绍了基于逻辑规则、基于表示学习、基于神经网络和基于图神经网络的知识推理的优势与不足;其次全面总结了基于图神经网络的知识推理最新进展,将基于图神经网络的知识推理按照基于递归图神经网络（RecGNN）、卷积图神经网络（ConvGNN）、图自编码网络（GAE）和时空图神经网络（STGNN）的知识推理进行分类,对各类典型网络模型进行了介绍和对比分析;然后介绍了基于图神经网络的知识推理在医学、智能制造、军事、交通等领域的应用;最后提出了基于图神经网络的知识推理的未来研究方向,并对这个快速增长领域中的各方向研究进行了展望。     

雷达属性散射中心的快速目标分类和参数估计

雷达属性散射中心模型的属性参数能够提供目标更为丰富的重要信息,属性散射中心参数估计对解析雷达目标有着极其重要的研究意义。针对雷达属性散射中心模型,提出了基于深度学习的雷达属性散射中心快速目标分类和参数估计的技术。首先利用ViT (vision transformer)深度学习网络将雷达属性散射中心分类为局部式和分布式两类,然后基于TS2Vec框架构建针对属性散射中心参数估计的卷积神经网络(convolutional neural network for attribute scattering centers, ASCNN),最后分别对两种数据进行训练以实现局部式和分布式属性散射中心的参数估计。基于属性散射中心模型展开数值实验,实验结果表明,该方法对雷达属性散射中心目标分类的准确率高达99%以上;雷达属性散射中心参数估计的速度超过传统方法的10 000倍以上,且精度更高,验证了所提方法的有效性和优越性。     

基于惯性权重优化的测试用例生成方法

针对组合测试测试用例生成环节中局部最优的问题,提出一种基于惯性权重优化的测试用例生成方法。结合粒子群算法的优点,以生成最小规模覆盖表为目标,改进适应值函数,设计一种惯性权重微分递减策略;在此基础上,更新调优后的惯性权重值,使用测试用例演化策略迭代生成测试用例集,提升生成更小规模覆盖表的能力。实验结果表明,该方法在高覆盖需求下,覆盖表最小生成规模和平均生成规模优于其它方法。     

基于跨层的自适应预留带宽和多重QoS保证的EDCA流接纳控制

提出了基于跨层的自适应带宽预留和多重QoS保证的802.11eEDCA分布式流接纳控制。首先自适应分配各站点OFDM子载波比特以最大化信道容量,并将比特率跨层传送到MAC层。基于此,提出了基于分布式测量的动态带宽预留机制,使预留带宽自适应各用户信道特点和业务特征;提出了半模式化的中心控制的剩余因子估计方法,从而克服了直接测量的不准确性和分布式估计的局部性,并降低了计算复杂度;提出了基于协议模型的带宽和碰撞率双重接纳标准,使多重QoS参数同时得到保证。通过这些措施得到自上至下的自适应接纳控制。仿真表明,提出的接纳控制机制能较大地提高资源利用率,更好地保证业务质量。     

基于节点剩余功率的多中继选择算法

提出一种基于节点剩余功率的多中继放大转发协同节点选择算法,根据节点信道状态信息(CSI)和剩余能量信息对网络生存时间进行优化,使用加权函数和信道容量增益门限进行多协同节点选择。仿真结果表明,对于动态和固定功率分配,该算法选择三四个中继可使协同通信系统性能达到最优;相对基于CSI的单中继选择算法,当中继数为4时,其在动态功率分配时的网络生存时间最高可延长82%。     

基于显著先验的图像前景分割方法

为研究图像中物体的显著先验信息和外观信息对物体轮廓所造成的影响,提出一种图像前景分割方法。通过将频谱余量获得的显著概率先验与基于码书模型的外观先验结合,在一个概率框架下学习得到统一的图像前景概率分布。对于测试图像,通过基于频谱的显著性计算其不同位置处出现前景的概率,计算基于区域内外观模型为前景的概率,综合得到目标区域为前景的概率,该值超过一定阈值即可认为是前景。该方法仅需要较少量的学习,就能够得到一个近似于真值图像的分割结果。在图像分割标准库上进行测试,结果表明,该方法计算简单,速度快,图像分割效果较好。     

一种用于库区环境监测的WSN节点定位算法

针对库区复杂的环境监测进行研究。在构建适用于库区特定环境的无线传感器网络监控系统下,针对节点定位精度和使用寿命的要求,采用改进后的最小二乘法对节点坐标进行求精,在保证定位精度的同时降低节点能耗。仿真结果表明,本算法能够有效的保证定位精度,实现预警位置的精确定位。