基于RFID标签阵列的睡眠期间呼吸量连续监测系统

睡眠期间连续且准确的呼吸量监测有助于推断用户的睡眠阶段以及提供一些慢性疾病的线索。现有工作主要针对呼吸频率进行感知和监测,缺乏对呼吸量进行连续监测的手段。针对上述问题提出了一种基于商用无线射频识别(RFID)标签的无线感知用户睡眠期间呼吸量的系统——RF-SLEEP。RF-SLEEP通过阅读器连续收集附着在胸部表面的标签阵列返回的相位值及时间戳数据,计算出呼吸引起的胸部不同点的位移量,基于广义回归神经网络(GRNN)构建胸部不同点的位移量与呼吸量之间的关系模型,从而实现对用户睡眠期间呼吸量的评估。RF-SLEEP通过在用户肩膀处附着双参考标签,消除用户睡眠期间翻转身体对胸部位移计算造成的误差。实验结果表明,RFSLEEP对不同用户睡眠期间的呼吸量连续监测的平均精确度为92.49%。     

针对信息安全专业《近世代数》课程改革的探讨

针对信息安全专业的《近世代数》教学,分析信息安全专业学生与数学专业学生在《近世代数》学习上存在的差异性,并因此提出如何调整《近世代数》的教学内容使其更适合信息安全专业学生的学习,探讨针对信息安全专业《近世代数》学习的教学方法改革,从而提高信息安全专业学生学习《近世代数》的积极性和效果。     

基于心率变异性分析的睡眠音乐推荐系统

现有睡眠监测研究主要是针对睡眠质量提出非干扰式监测方法的研究,而缺乏对睡眠质量主动调节方法的研究。基于心率变异性(HRV)分析的精神状态以及睡眠分期研究主要集中在这两种信息的获取上,而这两种信息的获取需要佩戴专业医疗设备,并且这些研究缺乏对信息的应用以及调整。音乐可以作为一种解决睡眠问题的非药物类方法,但现有音乐推荐方法并未考虑个体睡眠及精神状态的差异。针对以上问题提出了一种基于移动设备的精神压力和睡眠状态的音乐推荐系统。首先,用手表采集光体积扫描计信号来提取特征并计算心率;其次,将采集的信号通过蓝牙传递给手机,手机通过这些信号评估人的精神压力以及睡眠状态来播放调整音乐;最后,根据个体每晚的入眠时间进行音乐推荐。实验结果表明,在使用睡眠音乐推荐系统后,用户睡眠总时长相较于使用前增长11.0%。     

下一代光接入网络上安全的多虚拟专网构建机制

简要介绍了下一代光接入网络上构建安全的虚拟专网存在的挑战以及网络编码的特性, 重点研究基于网络编码构建安全多虚拟专网的机制。依据提出的机制, 多个安全的虚拟专网可以在无源光网络的下一代光接入网络的主要实现形式上独立构建。最后分析了提出的虚拟专网机制, 提高了下行数据传输吞吐量。     

一种无线传感器网络簇头选择算法——基于簇头发送能耗

分簇算法中,簇头的选择对无线传感器网络的能耗有重要的影响,为了提高网络生存周期,提出了一种基于簇头发送能耗的簇头选择算法（SECCS）。为了平衡节点间的不同能耗,使已做过簇头的节点在其后若干轮内不能再次成为簇头,其预计不能做簇头的轮次根据簇头发送能耗来决定,并动态调整不能做簇头的轮次,保证候选节点数量在合适的范围内。在选择簇头时,限制簇头间的距离不能过小,并优先选择周围节点数量适中而平均距离较近的节点成为簇头,使簇头尽可能均匀分布以减少全网能耗。该算法不需要节点的剩余能量和位置信息,计算简单。通过仿真和数据分析,证明其网络生存周期较长。     

基于长短期记忆网络和滑动窗口的流数据异常检测方法

针对目前流数据存在数量巨大、生成迅速和概念漂移的特点,提出了一种基于长短期记忆(LSTM)网络和滑动窗口的流数据异常检测方法。首先采用LSTM网络进行数据预测,之后计算预测值与实际值的差值。对于每个数据,选择合适的滑动窗口,将滑动窗口区间内的所有差值进行分布建模,再根据每个差值在当前分布的概率密度来计算数据异常可能性。LSTM网络不仅可以进行数据预测,还可以边预测边学习,实时更新调整网络,保证模型的有效性;而利用滑动窗口可以使得异常分数的分配更为合理。最后使用在真实数据基础上制造的模拟数据进行了实验。实验结果验证了所提方法在低噪声环境下比直接利用差值进行检测和异常数据分布建模法(ADM)方法的平均曲线下面积(AUC)值分别提高了0.187和0.05。     

自适应离散差分进化算法策略的选择

根据自适应离散差分进化（SaDDE）算法的提出过程,对算法策略选择问题进行了重点研究.策略池在SaDDE中起着重要作用,策略池的设计面临着3个问题,即：（1）怎样鉴别某个候选解产生策略（CSGS）是有效的还是无效的;（2）应该选择哪些CSGS组成策略池;（3）策略池的大小应该是多少.为了解决这些问题,提出了基于相对排列顺序的标度法（RPOSM）和基于RPOSM的层次分析法（RPOSM-AHP）.主要采用某电子对抗（electronic countermeasure,简称ECM）仿真实验平台上的6个测试实例（T_INS）进行测试实验.首先,设计了144个不同的CSGS,为了获得这些CSGS在求解问题上的性能排序序列,做了144×6个独立的实验;然后,采用RPOSM和RPOSM-AHP计算这144个CSGS的最终优先级向量;接着,设计了16个具有不同策略池大小的算法,然后在同样的6个测试实例上测试这些算法的性能;最后,再一次采用RPOSM和RPOSM-AHP为SaDDE寻找到了合适的策略池大小.与其他类似算法的对比实验结果表明：在有限的评估次数（NFE）内,SaDDE比同类算法性能优越.