移动P2P网络中能量有效连续查询研究

在移动P2P网络中一个基本应用问题是访问分布式空间数据库中的数据对象,同时节省电量.文中提出了在移动P2P网络中能量有效连续查询处理（Energy Efficient Continuous Query Processing,EECQP）算法,包括范围查询和k个最近邻居节点查询（k-nearest-neighbor queries, k-NN）.EECQP算法能够提供移动用户找到一个有质量保证的连续查询结果.EECQP算法主要的想法是允许用户与节点合作,持续保存查询结果,而不是总是从头开始处理查询,从而减少通信开销.实验结果表明所提出的EECQP算法对于范围查询和k个最近邻居节点查询在通信开销和QoS保证是能量有效和可扩展的.     

面向数据集成的一种高效一致性查询方法

一阶查询的SQL可表达性使得基于数据库修复的一阶查询重写方法在解决不一致数据库上的一致性查询问题上更具实际应用价值,但现有方法生成的一致性查询重写的执行效率不够理想.本文重点考虑在数据集成环境下如何有效地提高一致性查询的执行效率,同样针对合取查询类C_forest提出了基于OR-database集成模式的一致性查询重写算法ConsRewrite_OR.基于线性工作度量的查询代价分析以及Oracle 10g上的TPC-H模拟实验都充分地说明本文算法产生的一致性查询与Fuxman的查询重写相比在集成数据库上具有更好的执行效率.     

基于马氏抽样的SVM非平衡数据分类算法的泛化性能研究

本文将样本为独立同分布的情形减弱为一致遍历马氏链的情形去研究了非平衡数据分类算法的泛化性能,提出了基于马氏抽样的SVM非平衡数据分类算法、基于马氏抽样的EDSVM非平衡数据分类算法和基于马氏抽样的SVM-WKNN非平衡数据分类算法.并用UCI数据库中的10个实际不平衡数据集进行数值实验,实验结果表明基于马氏抽样的上述三种算法的错分率均比基于随机抽样的对应算法的错分率要低,且上述三种算法中,基于马氏抽样的SVM-WKNN非平衡数据分类算法的泛化性能最好.     

基于粒子滤波与Gibbs抽样的多目标被动跟踪研究

多目标跟踪问题是目前目标跟踪领域的一个重要研究方向,其中被动跟踪更加复杂也更具有实战意义。为了提高多目标跟踪算法的精度及稳定性,减少算法的计算开销,采用了粒子滤波与Gibbs抽样相结合的方法。粒子滤波能很好地解决目标跟踪中状态估计的非线性问题,将其应用扩展到多目标的跟踪维持;运用Gibbs抽样解决多目标跟踪中的数据关联问题,提高了关联的准确度,减小了计算开销。仿真试验证明:上述算法能较好地解决多目标跟踪问题,具有较好的估计精度。     

TD-LTE系统中信道估计LMMSE算法Q矩阵的ASIC实现分析

研究了TD-LTE(Time Division-Long Term Evolution)系统下信道估计LMMSE(Linear Minimum Mean-Square Error)算法中Q矩阵的实现.从ASIC设计的角度考查LMMSE算法中Q矩阵实时生成的硬件实现可行性,包括实现方案、资源开销和时间开销.为整个TD-LTE基带芯片信道估计哪部分采用软件实现,哪部分采用硬件实现提供决策参考.     

基于特征选择的过抽样算法的研究

为了提高不平衡数据集分类中少数类的分类精度,提出了基于特征选择的过抽样算法.该算法考虑了不同的特征列对分类性能的不同作用,首先对训练集进行特征选择,选出一组特征列,然后根据选出的特征列合成少数类样本,合成的每个少数类样本的特征由两部分组成,一部分是特征选择的特征列对应的特征,另一部分是按照SMOTE原理合成的特征.将基于特征选择的过抽样算法和SMOTE算法进行实验比较,结果表明基于特征选择的过抽样算法的性能优于SMOTE算法,能有效降低数据的不平衡性,提高少数类的分类精度.     

一种自适应求三枝决策中决策阈值的算法

 在三枝决策粗糙集模型中,基于贝叶斯决策理论,在给定的损失函数基础上可以计算出不同决策之间的阈值,从而可以推导出各种现有的概率型粗糙集模型,如可变精度粗糙集模型等.但是决策粗糙集模型需要对损失函数预先设定,这就需要合适的先验知识.本文通过研究三枝决策粗糙集模型中的风险损失和建立模型需要的阈值参数之间的关系,提出了一个最优化问题,给出了理论分析,说明解决该优化问题即可求得所需参数,并给出了一种自适应求阈值参数的算法.该算法将每个样本的条件概率作为搜索空间,以决策风险损失最小化为目标,求得的损失函数和阈值能够使得用户基于此作出的风险最小.在部分数据集上的实验也表明了算法的有效性,利用学习到的阈值建立的三枝决策粗糙集模型能够取得更好的分类性能.     

无线传感器网络中基于双阈值的分布式监测算法

基于单阈值的监测算法降低了警报的准确率,因此研究基于双阈值的监测方法,即带有概率保证的约束违反的监测具有重要意义.首先,基于监测结果的概率阈值语义,研究了节点的双阈值监测问题.其次,给出了感知数据大于监测阈值的概率的紧上界,提出了基于双阈值的分布式监测算法.第三,给出了根据精度要求确定优化样本容量的数学方法,提出了基于抽样的近似簇监测算法.理论分析和实验结果验证了提出的监测算法的高效性.     

一种利用优先经验回放深度Q-Learning的频谱接入算法

针对认知无线传感器网络中频谱接入算法的频谱利用率不高、重要经验利用率不足、收敛速度慢等问题,提出了一种采用优先经验回放双深度Q-Learning的动态频谱接入算法。该算法的次用户对经验库进行抽样时,采用基于优先级抽样的方式,以打破样本相关性并充分利用重要的经验样本,并采用一种非排序批量删除方式删除经验库的无用经验样本,以降低能量开销。仿真结果表明,该算法与采用双深度Q-Learning的频谱接入算法相比提高了收敛速度;与传统随机频谱接入算法相比,其阻塞概率降低了6%~10%,吞吐量提高了18%~20%,提高了系统的性能。     

基于边界样本欠取样支持向量机的电信用户欠费分类算法

电信用户欠费预测是一个不平衡数据集分类问题.针对传统支持向量机(SVM)对不均衡数据集中少数类检测精度低的问题,基于分类平面由边界样本的位置决定,提出了一种通过删除部分多数类边界样本的方法来改善传统SVM算法的不足,将该算法和其他几种算法在电信数据和多个不平衡UCI数据集上的实验结果进行对比,验证所提算法对少数类的检测精度和总体评价指标都有所提高.