一种基于改进RT-MDNet的全景视频目标跟踪算法

为了解决全景视频目标跟踪过程中,由于光照条件变化、相似背景干扰、目标运动时产生的形变和尺度变化等因素的影响,在跟踪中会出现目标漂移、目标丢失等情况,进而导致目标跟踪算法成功率低,鲁棒性差等问题,提出一种基于长短期记忆网络和改进Real-Time MDNet网络的全景视频目标跟踪方法.算法首先采用浅层卷积神经网络提取特征,并利用自适应的RoIAlign减少特征提取过程中的像素损耗,而后运用目标特征在线更新最后一个全连接层的权重,在全连接层中实现前景背景分离并提取出目标区域,然后通过长短期记忆网络自适应地选取目标框的尺度,最终输出目标位置信息.实验结果表明:单目算法应用在全景数据集时,难以适应全景中的尺度变化和背景变化,改进算法利用3层长短期记忆网络构建的尺度预测模块,可以有效地应对全景数据存在的尺度变化和目标形变问题,在保持较好的跟踪精度的同时,可以有效地应对目标跟踪中出现的小目标、目标遮挡、多目标交叉运动的情况,获得更好的视觉效果和更高的重叠率得分.     

基于Hawkes过程的车联网协同缓存及资源分配

随着网络流量呈指数级增长,能够访问多媒体内容的智能汽车也面临巨大的流量压力,为此提出了一种基于Hawkes过程更新内容流行度的车联网协同缓存及资源分配框架.研究了在路边单元和智能车辆中的协同缓存及资源分配策略,同时,考虑到内容缓存的更新周期远大于信道条件的变化周期,提出了双时间尺度模型.首先,使用基于Hawkes过程的方法,考虑内容请求的新鲜度和时效性,根据历史内容请求记录更新流行度;然后,对路边单元和车辆协作缓存策略的数据传输吞吐量和缓存能耗进行建模,以最大化边缘设备的缓存效益为目标,并利用深度强化学习求解优化问题.仿真结果表明,所提出策略相比其他策略可以得到更高的效益.     

缓存辅助边缘计算的卸载决策与资源优化

提出一种缓存辅助边缘计算的卸载决策制定与资源优化方案,以进一步降低移动边缘计算（MEC）系统中终端设备的能量消耗.首先,建立该优化问题为最小化用户在任务执行时最坏情况下的能耗值,并将这一混合整数规划问题转化为非凸的二次约束二次规划（QCQP）模型,使用半定松弛及随机概率映射方法获得缓存辅助下的预选卸载集合;其次,分别采用拉格朗日对偶分解法和二分法求得性能约束下的最优传输功率及边缘计算资源分配,从而通过对比该集合中的设备能耗得到理想的卸载决策集合与资源分配方案.实验数值结果表明,所提方案能够有效降低用户能量消耗,提升边缘计算系统的服务性能.     

边缘计算系统中基于UCBM算法的缓存预取优化

针对终端设备产生的数据上传至云服务器会产生时间延迟的问题,提出了基于UCBM算法的缓存预取优化策略.根据用户的访问特征,通过贝叶斯网络和马尔可夫链对用户的下一步访问行为进行分类与预测,将目标文件提前从云端缓存预取到最近的边缘服务器,从而减少了时间延迟.实验结果表明,提出的优化策略明显提高了文件的预取精确率,最高为0.7...     

基于深度强化学习的滤波器剪枝方案

针对深度神经网络模型在终端设备上部署时面临计算和存储等资源不足的问题,模型剪枝是一种有效的模型压缩方案,在保证模型精度的前提下减少模型的参数量并降低计算复杂度。传统的剪枝方案对于剪枝率及剪枝标准的设置大多依据先验知识,忽略了深度模型中不同层的剪枝敏感度和参数分布差异,缺乏细粒度的优化。对此,提出了一种基于强化学习的滤波器剪枝方案,在满足目标稀疏度的基础上最小化模型剪枝后的精度损失,并采用参数化深度Q学习算法求解构建混合变量的非线性优化问题。实验结果表明,所提方案能够为深度模型每一层选择合适的剪枝标准与剪枝率,减小了模型剪枝后的精度损失。     

雾计算网络中联邦学习协同的内容缓存方案

为了减小内容获取的时延,保护用户隐私并提高用户体验,提出一种雾计算网络中结合联邦学习和推荐算法优化内容缓存性能的方案。首先,构建了端到端协作的雾计算网络模型,用户可通过端到端和无线链路从用户端、雾节点和云端获取内容;其次,在本地建立深度神经网络模型,利用历史请求数据训练本地模型,利用雾节点聚合本地模型,从而预测全局内容的流行度,同时,向用户提供个性化内容推荐列表,以提高缓存命中率;最后,使用真实数据集进行了仿真实验,实验结果表明,所提方案能有效降低内容的获取时延,提升缓存命中率。     

基于MDP的协作认知边缘计算网络资源分配方案

为了缓解移动边缘计算网络中用户设备续航有限、频谱稀缺的问题,提出一种可无线充能的认知边缘计算网络中的资源优化方案。主用户可以对次用户进行无线充能与协作中继,尽快完成自身数据传输后使信道空闲,次用户接入信道后进行边缘计算。利用马尔科夫决策过程(Markov Decision Proces, MDP)对次用户的能量收集时间长度、卸载能耗和操作模式等进行联合优化设计,最大化次用户能获得的长期期望计算量。仿真结果表明,所提方案能够提升系统频谱效率,并且所提方案获得的长期期望计算量就短期优化方案而言具有显著提升。     

高速视频系统中一种异步FIFO缓存设计

在数字电视系统中,为了满足系统对高速数据的采集的缓存需求,通过研究FIFO的工作原理,利用FPGA和SDRAM设计了一种高速大容量的异步FIFO.介绍了SDRAM的存储结构及操作方法,阐述了基于SDRAM控制器的异步FIFO的设计方法,结合实际,完成了在数字电视系统中基于FPGA和SDRAM的大容量异步FIFO的设计与实现,有效的解决了数字电视系统中对高速视频处理时的海量缓存问题.     

基于化学反应优化算法的边缘计算任务卸载策略

针对边缘计算环境中单用户多任务应用,通过分析服务缓存和任务执行过程,建立任务计算卸载系统模型,确定卸载目标,并将问题细化为服务缓存和任务卸载两个子问题,其中服务缓存问题被抽象为0-1背包问题,利用化学反应优化（CRO）算法得到其最优缓存策略;任务卸载问题转化为最优化问题,设计一种改进化学反应优化（ICRO）算法来得到其近似最优卸载决策。实验结果表明：ICRO算法比CRO算法的平均优化效果增强了5.0%左右,系统时延和设备能耗分别是极端情况下的33.3%、53.8%;无论服务器缓存空间是否充足,CRO算法总是能制定出合理的缓存方案,使服务缓存比例保持在一个合理的范围之内;ICRO算法比CRO算法的优化能力更强,它不仅可以明显降低系统总成本,还具有良好的全局搜索能力和可移植性,可以满足用户多样化需求,使用户获得更好的服务体验。     

一种基于TCP流的SNLW缓存方案

基于TCP流,提出一种骨干路由器缓存设置方案,利用网络仿真工具NS2对方案进行了验证。试验结果表明:该方案在保证丢包率、链路利用率等性能指标的同时,能够较好地满足骨干路由器的缓存需求。     

视频图像的边缘检测与边缘细化

在有效滤除原始视频图像噪声的基础上 ,首先对视频图像进行边缘提取得到单边缘图像 ,然后再对得到的单边缘图像进行边缘提取 ,得到双边缘图像 ,最后将前两次得到的边缘图像进行差分 ,得到较为理想细化边缘图像。若结果仍不能满足特殊需要 ,可重复上述方法 ,直到得到理想边缘。实验结果表明 ,该方法在提取视频图像的细化边缘方面有明显的效果。     

一种基于时间戳的缓存同步算法

传统的缓存同步算法,不能严格保证缓存数据的实时性,或者效率低下。基于数据库实体的更新时间戳属性,提出了一种新的缓存同步算法,该算法克服了传统算法的缺点,具有高效、简单、可靠的特点。     

一种基于边缘检测的时空视频对象分割算法

提出了一种基于边缘检测的时空视频对象分割算法。首先提出一种基于高阶统计量的帧间差分图像处理方法,然后运用边缘检测得到空域分割结果和用累计差分与对称差分得到时域分割结果,综合时空域分割结果得到运动目标的边缘,最后对边缘图进行区域填充与数学形态学处理,得到运动目标掩模图像。实验结果表明本文算法能够得到较准确的分割结果。     

面向硬件感知的边缘计算卸载和资源分配

传统的边缘计算卸载研究并未涉及计算机硬件实现的细节,计算模型建模粗糙,优化方案精准度低。为此,提出了基于硬件实现的多用户多边缘服务器计算卸载和资源分配联合优化方案,充分考虑了计算过程硬件实现的细节,从计算机指令执行粒度出发,综合计算机输入/输出瓶颈和内存功能模块的能耗,重新建立联合优化模型,并在满足卸载任务时延要求的前提下最小化系统能耗。 此外,为解决动作空间高维的问题,采用了基于深度确定性策略梯度的混合在线二部匹配算法。仿真结果表明,计算过程中的内存能耗不可忽略,且所提出的优化算法能够有效学习最优策略,对降低系统能耗具有显著作用。     

一种用于内容中心网络的缓存随机放置策略

以内容为中心的网络是一种新型网络架构,它打破了传统的“主机-主机”通信模式,将内容本身作为网络的核心．以内容为中心的网络通过分布式的缓存机制对内容业务提供有效支持,缓存的放置策略也成为研究的热点．首先提出一种分布式的缓存随机放置策略,基于节点与内容源之间的跳数随机选择缓存放置节点,实现节点缓存的负载均衡;然后在该策略下推导缓存命中率与内容热度分布、请求到达率、缓存大小的关系．数值计算及仿真结果表明,该策略可以提高缓存命中率,与以内容为中心的网络传统策略相比,获取内容所需的平均跳数可减少5.59％～6.86％．     

一种基于安全多方计算的边缘学习协议

提出一种基于椭圆曲线的安全多方计算协议,旨在解决边缘学习中边缘设备算力和能耗受限难以通过强加密传输抵御网络攻击的问题。该协议采用椭圆曲线加密算法,在同等安全条件下具有较低的计算复杂度,实现了一种在加密状态下矩阵内积的计算方法。该协议主要应用于边缘学习中的云边缘协作计算,以提高其安全性。实验结果表明,与联邦学习和差分隐私等方法相比,该协议具有更低的计算复杂度和计算时间,同时能够保证边缘学习场景下的隐私和准确性。     

移动边缘计算中基于能量收集的能效优化方案

移动边缘计算（MEC）系统中密集的计算任务卸载使得资源受限的终端设备能量效率低,能量服务单一,对此,提出了一种基于能量收集的系统能效优化方案.该方案首先在满足卸载发送功率限制等约束条件下,分析了能量收集状态及用户功率分配,建立了最大化系统能效的联合优化模型;其次,利用广义分数规划理论将卸载能效转化为标准凸优化问题,并通过构建拉格朗日函数对目标函数进行迭代优化,获得最优的能量指示变量和功率分配.仿真结果表明,所提方案可以有效提升MEC系统中的用户能量效率,同时保证了用户服务质量,实现了绿色通信.     

MEC计算卸载与资源分配联合智能优化方案

移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。     

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法（AHP）将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。     

一种集成学习辅助DDPG的资源优化算法

为了解决任务调度和资源分配的联合优化问题,构建了包括通信、计算和缓存(3C)的体系架构。为协调网络功能,动态分配有限的3C资源,采用深度确定性策略梯度(DDPG)算法,结合用户请求业务的多样性和动态的无线信道条件,获得移动虚拟网络运营商的最大利润函数。仿真结果表明,基于DDPG算法的资源分配方案明显优于其他2种方案。集成学习辅助DDPG算法的收敛速度更快,性价比更高。