博弈论在感知无线电决策机的应用研究

为了使决策机进行策略分析,得到最优的策略,对感知循环、博弈理论以及基于博弈的感知无线电决策机进行了分析.对感知无线电博弈模型中的游戏者、行为、收益等做了相应定义,并针对Neel的决策模型的局限进行了研究.对于多游戏者、多行为、以及多均衡等问题,Neel模型不能很好解决.通过博弈案例的求解分析了多纳什均衡解情况,说明只依靠博弈理论无法得到最优策略,并提出了解决问题的思路.     

基于认知无线电的频谱感知及TCP跨层设计

目前针对认知无线电网络中TCP协议的研究大多假设次用户的感知是完美的,且未综合考虑TCP协议参数和感知时间等因素对TCP性能的影响。针对上述问题,在TCP Westwood协议的基础上,提出一种基于传输预判的改进TCP协议,建立基于认知无线电网络的TCP吞吐量跨层模型。采用部分可观测马尔可夫决策过程对有感知误差的次用户频谱感知和接入过程进行建模,将其转换为信念状态马尔可夫决策过程,使用Sarsa(λ)算法对其进行求解,以在最大化TCP吞吐量的同时得到最优感知时间。仿真结果表明,与TCP Reno和TCP Newreno协议相比,使用该方案所得的TCP拥塞窗口值分别提高约42%和27%,平均吞吐量分别提高约5.7%和5.5%,当感知时间为0.2s时,所得的TCP平均吞吐量为最大值。     

基于遗传算法的感知无线电染色体遗传研究

源于生物进化原理的遗传算法,可以利用优胜劣汰遗传机制演化得到系统最优参数.通过对感知循环、遗传算法进行讨论,针对感知无线电提出了基于遗传算法的感知无线电基因与感知无线电染色体.用不同的适应率要求对感知无线电遗传算法案例进行求解,并对案例生成的不同解进行了讨论.通过对案例的研究,分析了Rieser基于遗传算法的感知无线电引擎模型的局限,提出了今后研究的思路.     

不同衰落信道下的协作感知性能研究

认知无线电网络中,协作频谱感知技术可以有效地缓解由于信道衰落、阴影等因素造成感知性能下降的问题.该文对不同衰落信道环境下的本地感知性能进行了系统分析;研究了基于能量检测的协作感知方案在不同K-N决策融合准则以及不同协作用户数量条件下的感知性能;在此基础上,讨论了空间阴影相关性对协作感知性能的影响.数值分析和仿真研究的结果表明,本地感知在衰落信道下的性能较AWGN信道下有较大程度的恶化,其中尤以Suzuki信道下的性能最差,而基于K-N决策融合的协作感知一般在OR准则条件下最优,且随着次用户数量增加而改善.为了克服阴影相关性的不利影响,应尽量使节点间距增大.当协作范围一定时,用户数较少但更为分散的协作具有更好的感知性能.     

基于情绪感知的语言多属性决策方法

情绪对于决策有着重要影响,由于缺乏有效的决策者情绪状态获取方法,当前考虑情绪状态的语言多属性决策方法研究偏少.随着物联网技术的发展,通过可穿戴传感器能够便捷地获取决策者脑电信号,进而可感知其情绪状态.为此,研究基于情绪感知的语言多属性决策方法.首先,提出基于SVM概率输出模型的情绪感知方法,根据决策者脑电信号,实时、准确感知决策者情绪状态的概率分布;其次,提出基于云模型的语言评价定量化方法,一方面考虑语言评价的模糊性与随机性,另一方面考虑决策者情绪状态因素,定量化语言评价;然后,提出基于前景理论的方案排序方法,在情绪泛化假设下,根据综合前景值将各方案排序;最后,通过实例验证该决策方法的可行性和有效性.     

基于案例推理的认知自学习引擎

认知无线电与传统无线电的最大区别在于其能够感知环境,主动去学习、适应环境.近年来,对于认知无线电的研究主要集中于多目标优化的配置决策问题.但实际的通信系统可观测到的环境参数有限,且输入输出关系复杂,需要认知无线电通过学习来理解并适应环境.针对上述问题,提出了一种基于案例推理和模拟退火思想的认知决策引擎算法.仿真结果表明...     

基于多模型假设检验的认知无线电频谱感知方法

提出一种基于序贯概率似然比多模型假设检验的认知无线电协作频谱感知方法,用于检测可能含有不同结构和参数不确定性的未知信号.传统的认知无线电协作频谱感知方法(如基于序贯概率似然比的单模型假设检验、M元假设检验等),仅限于处理已知信号分布,不考虑信号分布的不确定性,可能会造成检测误判.所提出方法不仅可以处理认知无线电信号分布模型的不确定性问题,而且可以得到满足错误概率约束的有效检测.对频谱感知的一个典型场景进行仿真实验,结果表明所提出基于序贯概率似然比多模型假设检验方法相对于传统方法的检测有效性.     

CRN中基于自适应阈值和OR-决策规则的频谱感知策略

针对传统认知无线电网络(CRN)的频谱感知策略没有考虑噪声不确定性问题,提出一种基于噪声功率估计自适应阈值和OR-决策规则的频谱感知策略。首先,将各接收器数据构建成一个数据矩阵,并计算矩阵的协方差矩阵。然后,计算协方差矩阵的特征值,并根据特征值的均值来获得噪声的最大似然估计。接着,根据估计的噪声和能量信号的检验统计量来确定决策阈值。最后,各节点根据决策阈值作出局部决策并上传融合中心(FC),FC利用OR-决策规则作出最终决策。实验结果表明,该方案的决策阈值能够随噪声自适应调整,有效提高了检测率,对噪声不确定性具有很好的鲁棒性。     

煤矿信息全面感知与智慧决策系统

针对目前煤矿安全生产过程中存在煤矿信息感知能力差、决策水平低的问题,提出了一种煤矿信息全面感知与智慧决策系统。该系统由胶囊网络层、数据传输层和云服务层组成:胶囊网络层由人员位置与行为感知胶囊、设备状态感知胶囊、环境感知胶囊构成,实现煤矿"人、机、环"全面感知;数据传输层采用无线传感器网络与有线网络结合的方法来实现煤矿井下数据可靠传输;云服务层通过基于随机森林的智慧决策机制为煤矿生产高效、可靠决策提供了保障。实验结果验证了该系统的有效性。     

协作频谱感知安全问题研究

针对认知无线电网络中协作频谱感知中安全问题,分析了模拟"主用户"PUE和篡改感知数据SSDF两种攻击方式,重点研究了SSDF攻击下的协作频谱感知安全方案。在比较现有抗SSDF攻击方案协作感知性能的基础上,提出了基于四门限决策的改进型WSPRT。结果表明,改进型WSPRT方案相比于传统方案,具有更好的协作感知性能。     

基于协进化粒子群优化的认知决策引擎

提出基于协进化理论的认知无线电参数跨层优化体系结构和基于协进化粒子群优化算法的认知决策引擎。通过协进化技术将高维粒子降低为低维粒子,提高算法收敛速度和收敛效率。对多载波系统进行仿真分析,结果表明,基于协进化粒子群优化算法的认知决策引擎在收敛速度和运行效率上优于基于二进制粒子群优化和量子遗传的认知决策引擎。     

混合编码粒子ABC算法的CR认知决策引擎

认知决策引擎是认知无线电（Cognitive Radio,CR）的核心。为适应CR参数的自适应重配置,提出了一种改进的二进制人工蜂群（Binary Artificial Bee Colony algorithm,BABC）算法。该算法在基本BABC算法的基础上,加入了反向学习初始化机制、混合编码规则以及社会认知策略,保证了个体的多样性、提高了搜索速度。给出了该算法的基本步骤,并在多载波通信系统中对算法性能进行了仿真。仿真结果表明,基于该算法的CR认知决策引擎的收敛速度和精度均优于经典的遗传算法（Genetic Algorithm,GA）和BABC算法,优化得到的系统参数具有更好的性能。     

基于深度卷积神经网络的图像检索算法研究

为解决卷积神经网络在提取图像特征时所造成的特征信息损失,提高图像检索的准确率,提出了一种基于改进卷积神经网络LeNet-L的图像检索算法。首先,改进LeNet-5卷积神经网络结构,增加网络结构深度。然后,对深度卷积神经网络模型LeNet-L进行预训练,得到训练好的网络模型,进而提取出图像高层语义特征。最后,通过距离函数比较待检图像与图像库的相似度,得出相似图像。在Corel数据集上,与原模型以及传统的SVM主动学习图像检索方法相比,该图像检索方法有较高的准确性。经实验结果表明,改进后的卷积神经网络具有更好的检索效果。     

基于自适应蚁群优化算法的认知决策引擎

认知决策引擎的设计是认知无线电系统中的一项关键技术,它的主要功能是依据通信环境的变化和用户需求动态地配置无线电工作参数。提出了一种基于自适应蚁群算法的认知决策引擎来实现工作参数的最优化配置。该算法在基本蚁群算法的基础上加入了路径选择机制和信息素挥发因子自适应调整机制,保证了算法的全局搜索能力和收敛速度,有效地避免了容易陷入局部最优解的缺陷。仿真结果表明,在不同的环境下基于该算法的认知引擎比GA和ACO算法具有更好的性能。     

不确定混沌系统的差分进化小波神经网络控制

提出一种基于小生境自适应差分进化小波神经网络（NADE-WNN）的方法对不确定混沌系统进行控制。该方法利用小波神经网络学习未知模型混沌系统的动态特性并实施控制,为提高神经网络的学习精度和收敛速度,采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和全局收敛性。仿真实验结果表明,在有外部干扰和参数摄动的情况下,NADE-WNN仍能对不确定混沌系统进行有效控制,且网络结构、控制精度和收敛速度都优于传统神经网络。     

衰落环境中认知无线电分布式合作频谱检测

为了有效提高认知无线电中频谱检测性能是认知无线电技术的关键一步,构建了认知网络中主用户和一组次用户之间的频谱检测模型,提出了OR/AND两种检测融合准则,并对两种检测融合准则下的检测概率进行了比较。基于准则,进一步具体研究了Rayleigh衰落环境中,针对信噪比(SNR)变化,分布式合作节点数量变化等不同系统参数对提高频谱检测性能的影响。给出了Rayleigh衰落环境下,各参数影响接收机工作特征(ROC)和整体检测性能的仿真分析。结果表明:一定数量的节点可有效抵消衰落对ROC性能造成的影响,使其在低SNR条件下仍获得较高的检测概率。     

基于U-net模型的全自动鼻咽肿瘤MR图像分割

鼻咽肿瘤生长方向不确定，解剖结构复杂，当前主要依靠医生手动分割，该方法耗时久同时严重依赖于医生的经验。针对这一问题，基于深度学习理论，提出一种基于U-net模型的全自动鼻咽肿瘤MR图像分割算法，利用卷积操作替换原始U-net模型中的最大池化操作以减少特征信息的损失。首先，从所有患者的肿瘤切片中提取大小为128×128的区域作为数据样本；然后，将患者样本分为训练样本集和测试样本集，并对训练样本集进行数据扩充；最后，选择训练样本集中所有数据用于训练网络模型。为了验证所提模型的有效性，选取测试样本集中患者的所有肿瘤切片进行分割，最终平均分割精度可达到：DSC（Dice Similarity Coefficient）为80.05%，PM系数为85.7%，CR系数为71.26%，ASSD（Average Symmetric Surface Distance）指标为1.1568。与基于图像块的卷积神经网络（CNN）相比，所提算法DSC，PM（Prevent Match）、CR（Correspondence Ratio）系数分别提高了9.86个百分点、19.61个百分点、16.02个百分点，ASSD指标下降了0.4364；与全卷积神经网络（FCN）模型及基于最大池化的U-net网络相比，所提算法的DSC、CR系数均取得了最优结果，PM系数较两种对比模型中的最大值低2.55个百分点，ASSD指标较两种对比模型中的最小值略高出0.0046。实验结果表明，所提算法针对鼻咽肿瘤图像可以实现较好的自动化分割效果以辅助医生进行诊断。     

基于迁移学习与多标签平滑策略的图像自动标注

针对图像标注数据集标签分布不平衡问题,提出了基于标签平滑策略的多标签平滑单元（MLSU）。MLSU在网络模型训练过程中自动平滑数据集中的高频标签,使网络适当提升了低频标签的输出值,从而提升了低频标注词的标注性能。为解决图像标注数据集样本数量不足造成网络过拟合的问题,提出了基于迁移学习的卷积神经网络（CNN）模型。首先利用互联网上的大型公共图像数据集对深度网络进行预训练,然后利用目标数据集对网络参数进行微调,构建了一个多标签平滑卷积神经网络模型（CNN-MLSU）。分别在Corel5K和IAPR TC-12图像标注数据集上进行实验,在Corel5K数据集上,CNN-MLSU较卷积神经网络回归方法（CNN-R）的平均准确率与平均召回率分别提升了5个百分点和8个百分点;在IAPR TC-12数据集上,CNN-MLSU较两场K最邻近模型（2PKNN_ML）的平均召回率提升了6个百分点。实验结果表明,基于迁移学习的CNN-MLSU方法能有效地预防网络过拟合,同时提升了低频词的标注效果。     

基于多孔卷积神经网络的图像深度估计模型

针对在传统机器学习方法下单幅图像深度估计效果差、深度值获取不准确的问题，提出了一种基于多孔卷积神经网络（ACNN）的深度估计模型。首先，利用卷积神经网络（CNN）逐层提取原始图像的特征图；其次，利用多孔卷积结构，将原始图像中的空间信息与提取到的底层图像特征相互融合，得到初始深度图；最后，将初始深度图送入条件随机场（CRF），联合图像的像素空间位置、灰度及其梯度信息对所得深度图进行优化处理，得到最终深度图。在客观数据集上完成了模型可用性验证及误差估计，实验结果表明，该算法获得了更低的误差值和更高的准确率，均方根误差（RMSE）比基于机器学习的算法平均降低了30.86%，而准确率比基于深度学习的算法提高了14.5%，所提算法在误差数据和视觉效果方面都有较大提升，表明该模型能够在图像深度估计中获得更好的效果。