Discriminative graph convolution networks for hyperspectral image classification

Recently, the proposal of graph convolutional networks (GCN) has successfully implemented into hyperspectral image data representation and analysis. In spite of the great success, there are still several major challenges in hyperspectral image classification, including within-class diversity, and between-class similarity, which generally degenerate hyperspectral image classification performance. To address the problems, we propose a discriminative graph convolution networks (DGCN) for hyperspectral image classification. This method introduces the concepts of within-class scatter and between-class scatter, which respectively reflect the global geometric structure and discriminative information of the input space. The experimental results on the hyperspectral data sets show that the proposed method has good classification performance.     

Cloud based cyber-physical systems: Network evaluation study

In recent years, the Industry 4.0 concept brings new demands and trends in different areas; one of them is distributing computational power to the cloud. This concept also introduced the Reference Architectural Model for Industry 4.0 (RAMI 4.0). The efficiency of data communications within the RAMI 4.0 model is a critical issue. Aiming to evaluate the efficiency of data communication in the Cloud Based Cyber-Physical Systems (CB-CPS), this study analyzes the periods and data amount required to communicate with individual hierarchy levels of the RAMI 4.0 model. The evaluation of the network properties of the communication protocols eligible for CB-CPS is presented. The network properties to different cloud providers and data centers’ locations have been measured and interpreted. To test the findings, an architecture for cloud control of laboratory model was proposed. It was found that the time of the day; the day of the week; and data center utilization have a negligible impact on latency. The most significant impact lies in the data center distance and the speed of the communication channel. Moreover, the communication protocol also has impact on the latency. The feasibility of controlling each level of RAMI 4.0 through cloud services was investigated. Experimental results showed that control is possible in many solutions, but these solutions mostly cannot depend just on cloud services. The intelligence on the edge of the network will play a significant role. The main contribution is a thorough evaluation of different cloud providers, locations, and communication protocols to provide recommendations sufficient for different levels of the RAMI 4.0 architecture.     

基于改进正弦余弦算法的无线传感器节点部署优化

为了提高无线传感器网络（WSN）的性能，提出了一种基于改进正弦余弦算法（ESCA）的节点部署优化方法。首先，引入双曲正弦调节因子和动态余弦波权重系数，以平衡算法的全局探索与局部开发能力；然后，提出了一种基于拉普拉斯和高斯分布的变异策略，避免算法陷入局部最优。对于基准函数的优化实验结果表明，ESCA相比引力搜索算法、鲸鱼优化算法、基本正弦余弦算法（SCA）及其改进算法具有更高的收敛精度和收敛速度。最后，将ESCA应用于WSN节点部署优化，结果表明其优化覆盖率相比改进粒子群优化算法、外推人工蜂群算法、改进灰狼优化算法和自适应混沌量子粒子群算法分别提高了1.55个百分点、7.72个百分点、2.99个百分点和7.63个百分点，用更少节点便可达到相同目标精度。     

基于特征选择和深度信念网络的文本情感分类算法

由于人类语言的复杂性，文本情感分类算法大多都存在因为冗余而造成的词汇量过大的问题。深度信念网络（DBN）通过学习输入语料中的有用信息以及它的几个隐藏层来解决这个问题。然而对于大型应用程序来说，DBN是一个耗时且计算代价昂贵的算法。针对这个问题，提出了一种半监督的情感分类算法，即基于特征选择和深度信念网络的文本情感分类算法（FSDBN）。首先使用特征选择方法（文档频率（DF）、信息增益（IG）、卡方统计（CHI）、互信息（MI））过滤掉一些不相关的特征从而使词汇表的复杂性降低；然后将特征选择的结果输入到DBN中，使得DBN的学习阶段更加高效。将所提算法应用到中文以及维吾尔语中，实验结果表明在酒店评论数据集上，FSDBN在准确率方面比DBN提高了1.6%，在训练时间上比DBN缩短一半。     

基于改进卷积神经网络的单幅图像超分辨率重建方法

对于重建图像存在的边缘失真和纹理细节信息模糊的问题，提出一种基于改进卷积神经网络（CNN）的图像超分辨率重建方法。首先在底层特征提取层以三种插值方法和五种锐化方法进行多种预处理操作，并将只进行一次插值操作的图像和先进行一次插值后进行一次锐化的图像合并排列成三维矩阵；然后在非线性映射层将预处理后构成的三维特征映射作为深层残差网络的多通道输入，以获取更深层次的纹理细节信息；最后在重建层为减少图像重建时间在网络结构中引入亚像素卷积来完成图像重建操作。在多个常用数据集上的实验结果表明，与经典方法相比，所提方法重建图像的纹理细节信息和高频信息能得到更好的恢复，峰值信噪比（PSNR）平均增加0.23 dB，结构相似性（SSIM）平均增加0.0066。在保证图像重建时间的前提下，所提方法更好地保持重建图像的纹理细节并减少图像边缘失真，提升重建图像的性能。     

车联网环境下基于节点认知交互的路由算法

针对车联网（IoV）环境下消息传输效率低下、网络资源开销较大等诸多问题，提出一种适用于城市交通场景下基于车辆节点认知交互的路由算法。首先，依据信任理论提出节点认知交互度的概念，并在此基础上对车联网中的车辆节点进行分类，赋予它们不同的认知交互度初值；同时还引入车辆节点交互时间、交互频率、车辆节点物理间隔距离、间隔跳数以及消息生存时间等影响因子，进而构建了车辆节点认知交互评估模型。基于该模型计算并更新节点的认知交互度，并通过比较对应车辆节点间的认知交互度值来选取认知交互度相对较高的邻居节点作为中继节点进行消息转发。仿真实验结果表明，与Epidemic和Prophet路由算法相比，所提路由算法有效提高了消息投递率并降低了消息投递时延，同时显著降低了网络资源的开销，有助于提升车联网环境的消息传输质量。     

基于深度神经网络的表面划痕识别方法

为实现亮度不均的复杂纹理背景下表面划痕的鲁棒、精确、实时识别，提出一种基于深度神经网络的表面划痕识别方法。用于表面划痕识别的深度神经网络由风格迁移网络和聚焦卷积神经网络（CNN）构成，其中风格迁移网络针对亮度不均的复杂背景下的表面划痕进行预处理，风格迁移网络包括前馈转换网络和损失网络，首先通过损失网络提取亮度均匀模板的风格特征和检测图像的知觉特征，对前馈转换网络进行离线训练，获取网络最优参数值，最终使风格迁移网络生成亮度均匀且风格一致的图像，然后，利用所提出的基于聚焦结构的聚焦卷积神经网络对生成图像中的划痕特征进行提取并识别。以光照变化的金属表面为例，进行划痕识别实验，实验结果表明：与需要人工设计特征的传统图像处理方法及传统深度卷积神经网络相比，划痕漏报率低至8.54%，并且收敛速度更快，收敛曲线更加平滑，在不同的深度模型下均可取得较好的检测效果，准确率提升2%左右。风格迁移网络能够保留完整划痕特征的同时有效解决亮度不均的问题，从而提高划痕识别精度；同时聚焦卷积神经网络能够实现对划痕的鲁棒、精确、实时识别，大幅度降低划痕漏报率和误报率。     

基于孪生神经网络的时间序列相似性度量

在时间序列分类等数据挖掘工作中，不同数据集基于类别的相似性表现有明显不同，因此一个合理有效的相似性度量对数据挖掘非常关键。传统的欧氏距离、余弦距离和动态时间弯曲等方法仅针对数据自身进行相似度公式计算，忽略了不同数据集所包含的知识标注对于相似性度量的影响。为了解决这一问题，提出基于孪生神经网络（SNN）的时间序列相似性度量学习方法。该方法从样例标签的监督信息中学习数据之间的邻域关系，建立时间序列之间的高效距离度量。在UCR提供的时间序列数据集上进行的相似性度量和验证性分类实验的结果表明，与ED/DTW-1NN相比SNN在分类质量总体上有明显的提升。虽然基于动态时间弯曲（DTW）的1近邻（1NN）分类方法在部分数据上表现优于基于SNN的1NN分类方法，但在分类过程的相似度计算复杂度和速度上SNN优于DTW。可见所提方法能明显提高分类数据集相似性的度量效率，在高维、复杂的时间序列的数据分类上有不错的表现。     

基于分级存储的石油勘探地震处理应用研究

石油勘探中“两宽一高”采集技术的深入应用，对地震资料并行处理能力提出了更高的要求，针对存储对地震资料处理应用的影响进行研究。为提高各类应用的运算效率，设计并实现了基于SSD、集群NAS多级分层存储地震资料处理方法，针对高IOPS应用、大数据块并行应用进行算法流程级设计。通过DD与IOZONE基准测试、两种应用实际运行效果，验证了设计方案具备在地震资料处理中应用效率与性价比上的优势，适用于勘探数据中心地震资料处理，具有一定的普适性。     

低开销负载均衡的改进型TORA协议

针对无线传感器网络拓扑快速变化、链路易拥塞断开，存在路由开销大、负载不均衡、网络生命周期短等问题，提出低开销负载均衡的改进型TORA（TORA-p）。通过定义网络变化率参数，自适应调整互联网封装协议（IMEP）中OBM包的最大重发次数，减少不必要的路由维护开销；同时，结合MAC层信息，定义链路可用性优化选路方式，自动平衡网络负载，避免关键路径和节点负载过重而过早死亡和断开。使用truetime2.0平台设定特定的仿真环境，对TORA-p算法的性能进行了详细比较分析，结果表明：TORA-p均衡了网络负载，提升了网络生命周期，同时也减少了路由开销和延时，展现出了较好的数据传输能力。