基于光纤-无线网络的协同计算卸载算法

随着无源光网络的发展,光纤-无线网络能同时支持集中式云和边缘云计算技术,成为一种具有发展前景的网络结构。但是,现有的基于光纤-无线网络的任务协同计算卸载研究主要以最小化移动设备的能耗为目标,忽略了实时性高的任务的需求。针对实时性高的任务,提出了以最小化任务的总处理时间为目标的集中式云和边缘云协同计算卸载问题,并对其进行形式化描述。同时,通过将该问题归约为装箱问题,从而证明其为NP难解问题。提出一个启发式协同计算卸载算法,该算法通过比较不同卸载策略的任务处理时间,优先选择时间最短的任务卸载策略。同时,提出一个定制的遗传算法,获得一个更优的任务卸载策略。实验结果表明,与现有的算法相比,本文提出的启发式算法得到的任务卸载策略平均减少4.34%的任务总处理时间,而定制的遗传算法的卸载策略平均减少18.41%的任务总处理时间。同时,定制的遗传算法的卸载策略与本文提出的启发式算法相比平均减少14.49%的任务总处理时间。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

容错处理器阵列的多逻辑列并行重构算法

处理器阵列的容错重构技术是片上网络多核、众核高性能体系结构的可靠性技术之一。现有的最大逻辑阵列并行重构技术仅对单条逻辑列的构造实现了并行化,而对多条逻辑列的同步并行仍未见可行算法。依据处理器阵列的潜在并行性,在分治策略的基础上,提出了一种阵列分块的并行重构算法。算法对处理器阵列实施横向分块划分,对每个阵列块进行并行重构,并对所得逻辑子阵列进行归并,实现了多条逻辑列的同步并行重构。与现有的并行算法相比,新算法同样能够生成最大逻辑列,并且减少了通信开销与计算中的数据冗余,有效提高了运行速度。实验结果表明,在物理阵列大小为64×64的处理器阵列上,运行速度比现有并行算法提高39.55%,并且具有良好的可扩展性。     

基于选择性搜索算法的车脸部件检测

车脸部件检测能够广泛地应用于车辆识别及车辆的语义分割。尽管对于车脸的检测已经做出过大量的努力,但现有的研究大多集中在车脸的整块区域的检测及定位,提出了一种基于选择性搜索的车脸部件检测算法。该算法分为两个阶段：首先,将车辆图片进行高斯滤波去噪以及图像归一化预处理。其次,对预处理后的图片,利用基于图表示的图像分割算法获取初始分割区域,计算两两相邻区域在颜色、纹理、大小及吻合度之间的相似度;随后利用初始分割区域相邻区域间的颜色、纹理、大小以及吻合度的相似性对初始分割区域进行合并,从而准确分割车脸各部件。采用部分香港中文大学的公开数据集CompCars,总计4 199张图像,作为测试样本以测试车脸部件分割检测效果。实验结果表明,该算法检测车脸部件的平均重合度达到73.74%,明显胜过其它目标检测算法,此外,该算法不需训练,具有更强的通用性。     

考虑清洁能源与储能的分布式数据中心低碳调度策略

针对目前数据中心日益增长的能耗需求以及资源利用率较低的问题,提出了一种多个地理位置数据中心之间实现多区域能效的任务调度和能源管理模型。首先,获取光伏发电量、电价、任务量、UPS储能电池状态信息;然后,根据最大资源利用原则和装箱近似算法动态调整每个时隙的任务分配策略和服务器的激活数量。最后,根据任务量的大小,采取不同的供电方式,并计算电池的循环成本等信息,判断是否进行光伏并网或电池充放电操作。算例分析验证了所提策略的有效性。     

基于领域自适应的变压器状态识别

针对变压器状态智能识别方法泛化能力不足的问题,提出一种基于领域自适应的变压器状态识别方法。首先,使用多尺度时频分析方法挖掘变压器振动信号中的状态信息和固有属性,构建完备的变压器状态描述特征空间;然后,使用一种基于流形嵌入和动态分布对齐的领域自适应方法,以减少领域偏移带来的负面影响,并且动态评估和量化流形特征的边缘分布和条件分布;最后,基于结构风险最小化原则迭代训练得到变压器状态识别分类器。测试结果表明所提方法在一定程度上改善了变压器状态识别分类器泛化能力低的问题。     

多小区协作无人机通信感知一体化系统的资源分配

在通信感知一体化系统中,由于通信与感知两者的目的并不完全一致,这使得通信和感知之间的性能折中问题尤为关键。本文研究多小区协作联网无人机网络的通信感知一体化问题,其中基站作为通信感知收发器与无人机用户通信,同时估计感知目标的位置。基于此,联合优化多个基站协作发射功率控制以及无人机用户的轨迹来平衡感知和通信性能,在满足无人机用户的信干噪比需求和感知目标定位的克拉美罗下界需求基础上,最小化基站的能量消耗。该问题是一个非凸优化问题,通常难以直接进行求解。为解决该问题,本文提出基于交替优化的联合基站功率控制与无人机轨迹优化方案,分别利用半正定松弛技术和连续凸近似技术对基站功率控制和无人机轨迹进行优化设计。最后,实验仿真结果验证了所提联合优化方案的性能。      

融合多尺度多头自注意力和在线难例挖掘的小样本硅藻检测

硅藻训练样本量较少时,检测精度偏低,为此在小样本目标检测模型TFA（Two-stage Fine-tuning Approach）的基础上提出一种融合多尺度多头自注意力（MMS）和在线难例挖掘（OHEM）的小样本硅藻检测模型（MMSOFDD）。首先,结合ResNet-101与多头自注意力机制构造一个基于Transformer的特征提取网络BoTNet-101,以充分利用硅藻图像的局部和全局信息;然后,改进多头自注意力为MMS,消除了原始多头自注意力的处理目标尺度单一的局限性;最后,引入OHEM到模型预测器中,并对硅藻进行识别与定位。把所提模型与其他小样本目标检测模型在自建硅藻数据集上进行消融及对比实验。实验结果表明：与TFA相比,MMSOFDD的平均精度均值（mAP）为69.60%,TFA为63.71%,MMSOFDD提高了5.89个百分点;与小样本目标检测模型Meta R-CNN和FSIW相比,Meta R-CNN和FSIW的mAP分别为61.60%和60.90%,所提模型的mAP分别提高了8.00个百分点和8.70个百分点。而且,MMSOFDD在硅藻训练样本量少的条件下能够有效地提高检测模型对硅藻的检测精度。     

基于MPI的并行大数据集生成器

大数据处理分析算法在优化研究过程中,速度常常受限于数据集的规模。在数据集体量不足时,算法的通信时间往往要高于真正的计算时间,无法验证真实的效果。故设计实现了一个大数据集生成器,为运行在超级计算机上的并行大数据处理分析算法提供基准测试数据集。首先,使用MPI并行编程技术构造了一个并行随机数生成器,在此基础上设计实现了可控制规模及复杂性的人工数据集,主要包括：分类和聚类数据集、回归数据集、流形学习数据集和因子分解数据集等。其次,设计了大数据集生成器的I/O系统,提供MPI-I/O并行读、写数据集的接口,并设置了数据集在不同进程间的分发、映射规则,通过点对点通信实现不同节点之间的数据交互。实验结果表明,并行大数据集生成器有效提高了数据生成效率和生成规模,为并行大数据处理分析算法提供了高质量、大体量的测试数据集。     

结合词向量和聚类算法的新闻评论话题演进分析

话题演进分析主要是挖掘话题内容随着时间流的演进情况。话题的内容可用关键词来表示。利用word2vec对75万篇新闻和微博文本进行训练,得到词向量模型。将文本流处理后输入模型,获得时间序列下所有词汇的词向量,利用K-means对词向量进行聚类,从而实现话题关键词的抽取。实验对比了基于PLSA和LDA主题模型下的话题抽取效果,发现本文的话题分析效果优于主题模型的方法。同时,采集足够大量、内容足够丰富的语料,可训练得到泛化能力比较强的模型,有利于实时话题演进分析研究工作。