基于改进自适应遗传算法的移动WSN覆盖方法

针对传统的WSN覆盖模型的弊端,尤其是如果一个传感器失效,K-覆盖模型需要至少k个传感器节点监测其范围内是否有目标需要覆盖,提出了一种基于改进自适应遗传算法的移动WSN覆盖方法,在能量资源有限的前提下,尽可能长时间的对指定的目标进行连续监测。该算法考虑到了移动传感器是可以连续和变速运动的,从而能够保证所有目标都在它们的覆盖范围内。仿真结果表明,在使用移动节点的情况下,与其他常用模型相比,改进方法的生存周期和数据包数量都有明显提高。     

非均匀卵砾石粗糙床面的分形特征

针对传统方法刻画粗糙床面总体特征存在缺陷的问题,将分形几何理论引入非均匀卵砾石粗糙床面特征研究,以卵砾石床面激光扫描试验资料为基础,探讨了分形尺度区宽度与中值粒径d50的关系,分析了覆盖基准面对分形维数的影响,研究了床面整体与局部分形维数的特征与联系,获得了分形维数随床面颗粒组成及高程统计参数的变化规律。结果表明:分形尺度区宽度与床面颗粒中值粒径d50有关,上临界尺度可取为1.5d50;分形维数与覆盖基准面位置有关,覆盖基准面距平均床面的距离越大,分形维数越大且逐渐失真,为有效量化和区分床面粗糙特征,覆盖基准面宜取平均床面;粗糙床面分形维数具有良好的稳定性,局部分形维数变异性很小,并与整体分形维数接近;粗糙床面的分形维数与颗粒大小、级配组成及床面高程统计参数有关,中值粒径越大,颗粒组成越均匀,床面高程极差、标准差、偏度(绝对值)和峰度越大,分形维数越小。     

基于k-最近邻筛选的BMA集合预报模型研究

针对冗余训练样本会降低BMA参数求解效率与精度问题,本文提出在BMA运算之前采用k-最近邻(k-nearest neighbor)算法筛选有价值训练样本,并用于BMA参数求解的改进模型。模拟试验在淮河王家坝站进行,分别以k-最近邻筛选、不筛选两种方案为BMA提供训练样本,统计分析两种方案中王家坝站流量模拟结果,评价BMA改进法的性能。模拟结果显示,采用k-最近邻样本筛选方法后,BMA模型对洪水过程以及洪峰的预报精度提升明显;概率预报结果的离散程度降低的同时,可靠性程度获得提升。k-最近邻样本筛选方法的引入,能够有效去除BMA模型训练样本中的冗余数据,以少量的样本获得更可靠的模型参数,改善集合预报性能。     

三大网络的融合

<正>三网融合是指电信网、计算机网和有线电视网三大网络通过技术改造,能够提供包括语音、数据、图像等综合多媒体的通信业务。三网融合是一种广义的、社会化的说法,在现阶段它并不意味着电信网、计算机网和有线电视网三大网络的物理合一,而主要是指高层业务应用的融合,其表现为技术上趋向一致,网络层上可以实现互联互通,形成无缝覆盖,业务层上互相渗透和交叉,应用层上趋向使用统一的IP     

无线路由器 放哪儿才能无死角

<正>对于一位"小白"用户来说,买什么样的无线路由器,放在什么位置,怎样保证无线信号全覆盖,如何设置才能防止被蹭网或入侵呢?随着智能手机、平板等移动上网设备的普及,人们对于互联网的使用已经由电脑前转变为沙发、床头、卫生间……无线路由器已经成为现代家庭的必备之物。对于一位"小白"用户来说,买什么样的无线路由器,放在什么位置,怎样保证无线信号全覆盖,如何设置才能防止被蹭网或入侵呢?下面,我们     

Aruba助联想打造“全球一张网”

近日,Aruba Networks宣布,借助其全球领先的全移动网络解决方案,联想集团在全球100多个分支机构实现了全球统一的无线网络覆盖,构建起高速、稳定、安全、智能、易用的全移动网络。通过与Aruba Networks的合作,联想集团真正打造了一个全无线工作场所,充分满足新一代“Wi-Fi控”员工需求,并为业务快速响应外部环境变化奠定基础。     

关于图像反走样的理论及应用

图像反走样是用于提升图像质量的一个重要环节。导致图像失真的主要原因是由于采样频率过低及重建过滤器的质量低下。在实时渲染的应用中,随着硬件的发展及渲染架构的改变,主流反走样技术逐渐从硬件加速模式发展到后处理模式。纯后处理算法由于缺失子像素信息,无法生成高质量的反走样图像。针对这一问题,混合反走样在保留了后处理反走样效率的同时,通过结合多重采样能提供更精确的边缘处理,并保证图像在时序上的稳定性。     

基于移动无线传感器节点的栅栏覆盖研究

栅栏覆盖可用于入侵检测。研究具有有限移动能力的无线传感器节点在狭长区域中的栅栏覆盖问题。首先将狭长区域划分成网格,然后将移动节点和基准栅栏上的网格中心点构成二部图。基于二部图理论对1-栅栏覆盖问题进行数学描述,提出基于拍卖算法的1-栅栏覆盖算法(A1-BCA),并与基于匈牙利算法的栅栏覆盖算法进行性能比较。仿真结果表明A1-BCA算法在传感器节点较多时,优化性能好于匈牙利算法。     

基于支持向量机的无线传感器网络节点定位算法

机器学习是利用经验来改善自身性能的一种学习方法,而支持向量机(support vector machine,SVM)作为机器学习中的一种新模式,在解决小样本、非线性及高维模式识别等方面有着其特有的优势.基于支持向量机的节点定位算法利用机器学习算法的特性,实现无线传感网络节点定位.其基本思路是将网络区域划分为若干个等分的小格,每一小格代表机器学习算法中一个确定的类别,机器学习算法在学习了已知的信标节点对应的类别后,对未知节点所处位置进行分类,从而进一步确定未知节点的位置坐标.仿真实验表明,"一对一"节点定位算法有较高的定位精度,对测距误差的容忍性较好,同时对信标节点的比例要求并不高,比较适合用于信标节点稀疏的网络环境中;而"决策树"节点定位算法受覆盖空洞的影响并不大,比较适合应用于节点分布不均匀或者存在覆盖空洞的网络环境中.     

WSN中基于线性规划的多类别目标覆盖算法

多类别目标覆盖问题是目前无线传感器网络中的研究热点。针对现有目标覆盖算法在时间效率、网络生命周期等方面的不足,将多类别目标覆盖问题建模为基于线性规划的网络生命周期最大化问题,提出一种基于分簇的目标覆盖算法。该算法依据节点的剩余能量和感应能力,在每个簇结构内求解最优覆盖集的基础上得到接近于最优解的全局覆盖集,进而调度节点相应的感应模块去覆盖其感知范围内同属性的目标。实验结果表明,该算法是有效的,在网络生命周期和时间效率等方面均优于CWGC方案,接近于线性规划最优值。