内容中心网络中缓存策略研究综述

互联网需求由主机到主机通信转向海量内容获取为主。为满足新的互联网需求,内容中心网络(CCN)成为下一代互联网架构的研究热点。CCN中最重要的特征之一是利用网内缓存提高接收者获取内容的传输效率和网络资源的利用率。本文阐述了CCN的基本思想,从CCN内容缓存替换策略和缓存决策策略两个角度,阐述现有的研究如何实现CCN中内容缓存;对现有缓存策略进行了总结、分析和评价;给出了CCN缓存策略研究中仍存在的问题和未来的研究方向。     

基于Fisher准则的深层卷积神经网络织物疵点检测

针对当前的算法无法满足具有周期性图案织物疵点分类检测,鉴于此,提出基于Fisher准则的深层卷积神经网络织物疵点检测算法.首先,利用深度可分离卷积设计小型的深层卷积神经网络（DCNN）;其次,对DCNN网络的Softmax增加Fisher准则约束,通过梯度算法更新整个网络参数,得到深层卷积神经网络（FDCNN）;最后,在TILDA和彩色格子数据集上分类率分别为98.14%和98.55%.实验结果表明：FDCNN模型既可以减小网络参数和降低运行时间,又可以提高织物疵点分类率.