无线传感器网络中基于能量比的簇首选择机制

针对无线传感器网络中节点的不同能量损耗度,提出了基于能量代价的能量比簇首选择机制;该机制首先将普通节点视为簇首节点,计算节点的必要能量损耗值和节点当前的能量剩余值;并结合本文提出的能量比概念及计算公式,将上述能量相关值转化为可衡量传感器节点的能量损耗快慢度的簇选因子量值。仿真实验表明,该算法实现了更优的簇头选择,能有效延长网络生命周期。     

基于蚁群优化的无线传感器网络QoS路由

无线传感器网络QoS路由寻优问题是NP类问题,在寻找最优路径时,除了要满足时延、抖动、丢包率等约束条件,还要考虑路径的能量均衡。采用优化的蚁群算法求解该问题,将这些约束条件综合为适应度函数的参数,通过计算适应度值,找到最优路径。仿真结果表明,算法具有较快的收敛速度,能够搜索到时延最小和能量较均衡的路径,并尽量避免陷入局部最优解。     

改进矩阵分解与卷积神经网络结合的推荐模型

针对推荐系统评分数据稀疏和评价信息爆增等问题进行模型研究和改进。在传统矩阵分解模型基础上加入了用户和项目的影响因子，提高预测模型的泛化能力；建立跨通道卷积神经网络对用户评价信息进行识别，将改进的矩阵分解模型与改进卷积神经网络进行结合，提出一种改进矩阵分解与跨通道卷积神经网络结合的推荐模型，提高预测模型的准确度。实验结果表明，该模型预测性能相对于PMF、CTR和CDL在三个数据集上的最优性能分别提升2.96%、10.27%和1.77%，相对于MF&CNN性能分别提升0.29%、2.98%和0.08%；当数据密度从20%增至80%时，模型预测性能会进一步提升。     

基于多任务学习的图神经网络推荐模型研究

图神经网络处理非欧氏空间数据的强大能力促使越来越多的研究将其应用于推荐领域。然而，现有的基于图神经网络的推荐模型大多数仍然采用多个邻接矩阵来表示多种节点或边属性等异质信息，没有充分利用异质信息之间的交互。因此，提出一种新型的图神经网络推荐模型，把所有信息实体之间的丰富交互建模成异质图，并在异质图上使用稠密子图采样策略进行子图采样；此外，模型还加入多任务学习方法用于共同优化链接预测与推荐任务，使得模型学习到更好的节点表示，以提升推荐效果。2个公开数据集上的实验结果表明，所提模型相比基线模型，在Top-N推荐任务性能上有所提高。     

Java组件机制——Java beans

本文讲解了Ｊａｖａｂｅａｎｓ的优势及特点，介绍了组成一个组件模型的元素，最后对ＪａｖａｂｅａｎｓＡＰＩ的要点做了简要概述。     

基于DSDM的敏捷软件开发方法

DSDM是结构化的、基于平衡敏捷开发实践的第三方独立框架结构,它采用一种项目快速交付的方法去设计系统,充分满足客户的需求并可以快速实现商业价值.本文首先介绍了敏捷软件开发方法的基本原则,然后以动态系统开发方法为例,阐述了DSDM的实施过程、实施原则和关键技术.     

网络拓扑发现中路由器别名归并技术研究

介绍基于ICMP和SNMP的网络拓扑发现算法,并分析它们的优缺点及适用范围。针对拓扑发现中存在的路由器别名归并问题。研究在以上两种算法里的解决方法,进而提出一种适合SNMP的拓扑发现算法的解决方案,通过建立剐名信息表将路由器别名归并。使算法的搜索结果更具准确性和完整性。     

基于图像识别的道路铺面破坏研究

以往国内铺面养护相关单位对于铺面损坏调查(裂缝、坑洞)的工作,主要依赖人工进行调查,由于以人工方式进行铺面破坏调查易产生耗费人力、时间及人员安全性的问题,且人工方式调查所取得样本数量较少,对于铺面破坏评估调查正确性相对的较低。因此,本文除了研究铺面检测车的检测与图像处理原理外,针对铺面损坏严重程度与铺面损坏种类做更进一步的实验与验证,以研究铺面检测系统的稳定性与可行性,达到规范所要求的检测精确度。     

改进的二分K均值聚类算法

K均值算法是一种常用的基于原型的聚类算法。但该算法要求用户随机选择初始质心,使得K均值算法受初始化影响较大。二分K均值算法虽然改善了这个问题,但仍然要求用户指定聚类个数,影响了聚类效果。用层次聚类对二分法进行改进,解决了二分K均值算法受用户指定的聚类个数的影响的问题。并结合Chameleon算法,合并划分过细簇,优化聚类结果。仿真实验证明改进的聚类算法的抱团性和分离性优于二分K均值聚类算法。     

无线传感器网络自定位算法的研究

针对无线传感器网络节点稀疏时会产生定位盲区的问题,在研究经典AOA(三角测量法)算法的基础上,提出了一种改进的无线传感器网络自定位算法,在节点自身基准线相对于绝对坐标轴夹角已知的情况下,未知节点只需一个邻居锚节点就能实现自定位.仿真实验证明,在节点数相同的情况下,改进的无线传感器网络自定位算法相比于经典AOA算法,有更高的有效定位率和更低的平均定位误差,适用于节点稀疏的网络环境.