基于改进混合蛙跳算法的SVM分类算法

支持向量机的训练需要求解一个带约束的二次规划问题,但在数据规模很大情况下,经典训练方法将变得很困难。本文提出一种基于改进的混合蛙跳算法的SVM训练算法。针对混合蛙跳算法搜索速度慢且容易陷入局部极值的缺陷,将模拟退火思想引入到混合蛙跳算法中,提出一种改进的混合蛙跳算法。该算法保持了混合蛙跳算法参数少和容易实现的特点,同时通过模拟退火的降温过程来提高算法的进化速度和精度。实验结果表明,该算法能显著提高收敛速度,并能有效克服局部极值,在SVM训练中具有良好效果。     

基于可见光的自适应混合蛙跳定位算法

可见光通信具有绿色、节能、成本低等优点,比较适合应用于室内定位。提出一种基于可见光通信的自适应混合蛙跳室内定位算法,该算法通过到达时间(TOA)算法和最小二乘算法进行初始定位,得到未知定位点的估计位置解集,再利用自适应混合蛙跳算法搜索未知定位点的最优位置。该算法具有较强的全局搜索能力,不易陷入局部最优,能够得到较高精度的定位结果。仿真结果表明,该算法比传统TOA定位算法的定位误差小,说明该算法提高了室内定位的精度。     

基于混合蛙跳算法的移动机器人路径规划

针对移动机器人路径规划中算法搜索能力不强且易陷入停滞的问题,文中提出了一种基于混合蛙跳算法的移动机器人路径规划方法。首先利用蚁群算法在栅格地图中生成一定数量的路径,然后引入混合蛙跳算法,子群内进行Memetic进化,最坏青蛙根据与子群最优青蛙或全局最优青蛙的路径交点栅格进行路径更新,并对最终生成的最优路径进行优化处理,以消除不必要的拐点,保证机器人路径运行的安全性。二维环境下的仿真实验表明,提出的混合蛙跳算法能在有效避开障碍物的同时快速地规划出一条通往目标点的优化路径,且效果令人满意。     

混合蛙跳在网络编码协作系统资源分配中的应用

网络编码协作中继技术能合理分配IMT-Advanced的资源,从而提高系统性能,受到了广大学者的关注。针对基于网络编码的双向多中继协作系统,提出基于混合蛙跳的资源分配方案。以最小化系统传输功率为优化目标,在满足用户QoS下,推导每个节点的最优化功率,建立最优化资源分配模型,利用混合蛙跳算法解决系统资源分配问题。仿真结果表明,在满足单节点QoS下,所提出的基于混合蛙跳的资源分配方案能有效减小系统的总功率,提高了系统性能。     

Group Shuffled BP算法的密度演进和高斯近似

为了分析Group Shuffled BP译码算法的收敛性能,同时简化密度演进计算的复杂度,在证明对称性条件的基础上,提出了基于Group Shuffled BP译码算法的密度演进的高斯近似。从而将密度演进中计算消息概率密度的无限维问题,简化为跟踪高斯分布均值的一维问题。仿真结果表明,该方法具有较高的精确度,可以有效分析Group Shuffled BP译码算法的收敛性能。     

基于改进混合蛙跳算法的CVRP求解

该文提出基于实数编码模式的混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)求解容量约束车辆路径问题(Capacitated Vehicle Routing Problem,CVRP);把具有极强局部搜索能力的幂律极值动力学优化(Power Law Extremal Optimization,-EO)融合于SFLA,针对CVRP对-EO过程进行设计和改进。改进的-EO采用新颖的组元适应度计算方法;采用幂律概率分布来挑选需要变异的组元;根据最邻近城市表,采用幂律概率分布挑选变异组元的最佳邻近城市,执行线路间或线路内的变异。求解测试库中的实例,证明该改进算法有效。     

基于灰预测模型的蓝牙网络切换算法

蓝牙网络接入点切换问题是构建蓝牙网络必须考虑的关键问题,而蓝牙特点给接入点切换的实现带来了极大挑战。提出了一种基于灰预测模型的蓝牙网络切换算法,该算法对链路质量信息的数量和分布特征没有苛刻要求,仅用少量样本数据就可以预测出下一时间链路质量,当预测值低于阈值时,接入点搜索网络拓扑结构找出最佳接入点集合,并实时监测切换终端与集合中接入点之间链路质量,预测出下一时刻链路质量,当切换终端链路质量预测值低于另一阈值时,接入点选择最佳接入集合中预测值最佳的接入点完成切换。该算法预测过程可以动态地调整参数,实现自适应预测,提高了预测的精度。仿真结果表明,使用该算法减少了终端切换时延以及误切换概率。     

基于RBF算法的机房网络流量预测

摘要：为保证网络通信的正常运行,采用RBF算法预测网络流量的可靠性。以黑龙江科技学院计算机基础实验室网络流量数据为例,根据其在时序上的复杂非线性特征,利用自相关分析技术分析时间序列的延迟特性,确定RBF神经网络的输入／输出向量,建立了基于Matlab6．5环境下的RBF神经网络客运量预测模型。验证结果表明,该模型拟合精度和预测精度较高,计算速度较快。     

基于拓扑势加权的动态PPI网络复合物挖掘方法

从动态蛋白质相互作用（PPI）网络中挖掘蛋白质复合物是当前复合物挖掘研究的一个热点,但是目前大都采用未加权网络进行聚类分析,由于不能准确地描述网络的拓扑特性,因此其正确率不高.鉴于此,本文提出采用拓扑势场的方法来构造加权网络,网络中的每一个蛋白质都被视作一个物理粒子,在它周围存在一个虚拟的作用场,由此网络中所有蛋白质的相互作用联合形成一个拓扑势场,文中定义了结点间的拓扑势的概念,并以此来构造加权网络,之后采用马尔科夫聚类算法在DIP数据和Krogan数据上进行复合物挖掘.与其它经典算法相比,该方法的precision和f-measure值较高,能更好地识别蛋白质复合物.     

基于SFLA-GA混合算法求解时间最优的旅行商问题

该文以经典的对称旅行商问题(Symmetric Traveling Salesman Problem, STSP)为基础,求解时间最优的旅行商问题(Time Optimal TSP, TOTSP),将拟合函数引入到混合蛙跳遗传算法(SFLA-GA)的适应度函数来反映景点客流量随时间的变化,旨在旅游旺季为游客提供一条游览时间最短的路径推送服务。实验结果表明：相对于随机游览路径,SFLA-GA混合算法得到的游览路径明显节省了游览时间;与SFLA和混合粒子群遗传算法(PSO-GA)相比较,SFLA-GA混合算法具有计算量少、收敛速度快、对初始种群依赖性低以及全局性更好等优点,在求解TOTSP上搜索性能更强、时间更优。     

基于改进的蛙跳算法与支持向量机的实用语音情感识别

支持向量机是一种基于统计学习理论的新型机器学习算法,在高维特征空间中寻找最优分类超平面,具有很好的分类精度和泛化性能。支持向量机的训练需要求解一个带约束的二次规划问题,针对数据规模很大情况下经典训练方法变得很困难的缺点,提出一种基于改进混合蛙跳算法的支持向量机分类器参数优化方法,既提高了混合蛙跳算法的收敛速度和精度,又能借助混合蛙跳算法的全局随机搜索能力,为支持向量机参数的优化选择提供一条有效途径。本文提取情感语句的韵律特征、音质特征和混沌特征参数,提出一种基于改进蛙跳算法的数据融合方法,并利用基于改进蛙跳算法的支持向量机进行实用语音情感的识别研究。在实验中比较了PCA方法、BP神经网络和数据融合方法用于语音情感识别的识别率,研究结果表明本文所提的各项改进机制能有效提升情感识别率,为实用语音情感的识别提供一种新方法和新思路。      

基于组合模型的短时交通流量预测算法

交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine, ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model, TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割,然后采用ELM对各个序列进行建模和预测。仿真实验证明,与单一的BP(Back Propagation)神经网络和ELM相比,该组合模型算法建模时间为BP的1/10, ELM建模时间的4倍,均方误差为BP的1/50, ELM的1/20,该组合模型算法决定系数R2更接近于1,模型可信度更高。     

基于Service Broker的IMS业务特征冲突解决算法与方案

3GPP在UMTS R5中提出IMS作为下一代网络(NGN)技术在移动通信中的实现,但IMS业务触发机制的缺陷给交互管理带来挑战.把IMS中业务特征冲突分为SCFI(Single Component Fea-ture Interaction)和MCFI(Multi-component Feature Interaction)两类,利用SIP协议的可扩展性携带业务触发信息,提出解决MCFI类业务冲突的算法及方案.此方案为3GPP Service Broker标准制定提供了参考.     

基于连续时隙预测的帧时隙Aloha防碰撞算法

在射频识别（Radio Frequency Identification,RFID）系统中,针对EPC C1G2协议的Q算法中Q值调整的不灵活性及对空闲时隙和碰撞时隙处理上的缺点,提出了一种基于连续时隙预测的帧时隙Aloha防碰撞算法.通过马尔可夫时隙状态模型,分析不同连续时隙状态下帧长与标签数的关系,提出连续时隙预测机制和自适应散列方案.有效地减少了无效时隙的出现,实现了读取阶段的时隙多数为成功时隙.仿真结果表明,本文提出的算法能够灵活地调整帧长,有效提高吞吐率,降低传输延时和开销,为物联网（Internet of Things,IoT）的海量数据信息完整性问题提供了合理的解决方案.     

超密集异构无线网络中基于移动轨迹预测的网络切换算法

随着５G技术的广泛应用,网络超密集化部署已成为必然趋势。超密集异构无线网络在实现网络高流量密度、高峰值速率性能的同时,给传统的网络切换算法带来了挑战,处于变速移动的终端会面临更频繁的切换问题,这将导致乒乓效应频率的显著提高,进而影响用户在网体验。针对上述问题,该文提出一种基于终端移动轨迹预测的网络切换算法,适用于各类型用户在高密度无线网络中的垂直切换和水平切换问题。首先,为了更高精度的移动轨迹预测,提出一种基于模糊核聚类和长短期记忆(LSTM)神经网络的预测方法,可以有效预测不同移动模式下用户终端的短时移动轨迹;之后,基于用户当前和预测位置,获取候选网络集合,通过候选集交运算法和指标阈值判断网络切换时机;当切换触发时,使用帝企鹅算法最优化网络选择。仿真结果表明,相比于其他类型的时间序列预测算法,该文提出的轨迹预测算法精度较高;同时相较对比算法,该文所提网络切换算法的切换次数适中,有效避免了乒乓效应,且提高了用户连接的网络质量。     

基于混合人工蜂群策略的改进DV-Hop定位算法

为了减小DV-Hop算法在无线传感器网络节点定位中的误差,提出了一种基于混合人工蜂群算法的改进算法。该算法结合了粒子群算法收敛速度快和蜂群算法搜索能力强的特性,首先通过DV-Hop算法估计锚节点与未知节点之间的距离,然后采用粒子群算法计算未知节点的初始位置,最后利用蜂群算法进行迭代求精,从而实现基于不同距离测量方法的总体优化。仿真结果表明,改进算法的定位精度较DV-Hop算法和基于粒子群的定位算法有明显改善。     

基于双层递归神经网络的路由优化算法

研究分组交换网的路由选择及流量分配问题,以网络的平均时延为优化目标函数。为使问题的解能实时、可靠地完成,将一种用于最短路径计算的双层递归神经网络应用于路由选择的流量导数法中。仿真结果表明,该算法在收敛的可靠性和计算的实时性方面有所提高。     

基于帧内空间域预测的快速纹理逼近算法

H.264标准中推荐的全搜索算法存在计算量大、耗时长的缺点,对此提出了一种基于部分模式进行预测的帧内空间域快速纹理逼近预测算法,并对该算法进行了分析和试验,证明该算法在模式选择上较FS可以提高3～6倍的速度,可有效地提高预测效率.     

认知网络中基于蚁群算法的网络流量预测模型

认知网络能够感知外部环境,并能根据周围环境的变化智能、自主、自适应的动态变化,这种特性更适合为用户提供QoS(Quality of Service)保障.设计高精度的流量预测模型,可以提高认知网络的认知特性.本文针对原有预测模型预测精度低、对训练数据依赖程度高以及不能很好的刻画网络流量特征的不足,提出了一个混合的流量预测模型.它使用蚁群算法训练BP网络的权值,避免了梯度下降法收敛速度慢、容易陷入局部最优的问题.并且在预测之前,首先使用BP(Back Propagation)网络剔除原始数据中的异常数据信号,再对其进行小波分解,最后使用混合模型预测网络流量,实现了认知网络中高精度的流量预测.     

5G网络切片场景中基于预测的虚拟网络功能动态部署算法

针对无线虚拟化网络在时间域上业务请求的动态变化和信息反馈时延导致虚拟资源分配的不合理,该文提出一种基于长短时记忆(LSTM)网络的流量感知算法,该算法通过服务功能链(SFC)的历史队列信息来预测未来负载状态。基于预测的结果,联合考虑虚拟网络功能(VNF)的调度问题和相应的计算资源分配问题,提出一种基于最大最小蚁群算法(MMACA)的虚拟网络功能动态部署方法,在满足未来队列不溢出的最低资源需求的前提下,采用按需分配的方式最大化计算资源利用率。仿真结果表明,该文提出的基于LSTM神经网络预测模型能够获得很好的预测效果,实现了网络的在线监测;基于MMACA的VNF部署方法有效降低了比特丢失率的同时也降低了整体VNF调度产生的平均端到端时延。