基于广义回归神经网络的流量矩阵估计*

研究大尺度IP骨干网络流量矩阵估计,通过使用广义回归神经网络来捕捉流量矩阵特征,将流量矩阵估计描述成马氏距离下的最优化过程,能成功克服流量矩阵估计的病态特性,获得精确的估计值。仿真结果表明,该估计算法具有更高的估计精度和显著的性能改善。     

基于线对应的单应矩阵估计及其在视觉测量中的应用

单应矩阵估计在视觉测量、摄像机标定、三维重建等领域有重要的应用价值, 但是在具体应用中如何鲁棒、精确地估计单应矩阵仍是一个没有很好解决的问题. 在研究和实际应用中我们发现,直接线性方法在基于线对应的单应矩阵估计中会出现在某些特殊的摄像机姿态下误差较大的情况. 针对这一情况, 我们提出了一种基于线对应的归一化单应矩阵估计方法并将其应用到视觉测量中,即通过简单的归一化操作使测量矩阵元素的大小分布尽量均匀, 从而降低了测量矩阵的条件数, 提高了算法的鲁棒性, 同时又保持了直接线性方法简单、快速、易实现等优点. 模拟实验和真实图像实验均验证了该方法的有效性.     

差分式小流量科氏流量计相位差估计实验分析

相位差估计算法对科氏流量计精度有直接影响,在小流量测量时对算法要求更高.为分析不同相位差估计算法在小流量检测中的性能,针对一种差分式小流量科氏流量计,开展实验研究和对比分析.阐述了差分式小流量科氏流量计计量原理,分析了滑动Goertzel算法、负频率修正DTFT算法和ap-Hilbert法,在1 g/min～50 g/...     

流量矩阵估算的研究

流量矩阵是许多网络规划和流量工程任务的关键输入,精确的流量矩阵至关重要,但直接监控非常具有挑战性.因此,如何根据对有限链路的测量数据和路由信息等先验信息,通过合理建模来推断流量矩阵,成为重要的研究课题.首先给出了流量矩阵的基本概念和估算原理;然后对近年来提出的20多种不同的解决流量矩阵估算问题的方法进行分类剖析,总结了目前流量矩阵估算方法的最新研究进展,并讨论了部分方法的性能和估算误差;最后讨论了未来流量矩阵估算的研究趋势和应用前景.     

三种高效快速的量子态滤波和估计优化算法

针对不同干扰和噪声情况下的量子状态估计和滤波问题,分别提出相应的高效量子状态密度矩阵重构凸优化算法.对于稀疏状态干扰和测量噪声同时存在的情况,提出量子状态滤波算法.对分别存在稀疏状态干扰和测量噪声的情况,提出相应两种不同的量子状态估计算法.在5量子位的状态密度矩阵估计仿真实验中分析不同采样率下的3种算法性能.实验表明,3种算法均具有较低的计算复杂度、较快的收敛速度和较低的估计误差.     

数据协调中测量数据方差–协方差估计及过失误差序列补偿算法

数据协调测量误差的方差-协方差矩阵(也称Q矩阵)通常是由操作人员根据仪表的精度事先给定的,由于没有考虑仪表精度的变化,很可能会造成数据的不一致或不准确.基于空间冗余的约束残差,本文提出了一种测量方差-协方差Q矩阵的估计方法,有效地减少了对Q矩阵先验知识的依赖.针对常见非线性或双线性问题,提出了估计方法的应用方案.并给出了侦破过失误差的序列补偿法.最后,某焦化厂的应用示例表明.该方法对于获得Q矩阵的最初估计和侦破过失误差是有效的.     

面向智能电网的PCA近似法错误数据注入攻击

准确的状态估计对于维持智能电网的正常运行至关重要.论文在雅可比(Jacobian)矩阵和状态变量分布假设未知的情况下,采用主成分分析近似法(PCA-Sim)研究了错误数据注入攻击问题,从线路测量的相关性中对Jacobian矩阵进行推导,验证了错误数据注入攻击近似隐形攻击,并且结合累积分布函数(cdf)分析了所提方法的性...     

一种基于自相似流量速率估计的主动队列管理算法

通过分析当前较常用的流量速率估计算法指数加权滑动平均算法的优缺点,结合自相似流量的特点,提出一种新的速率估计算法PLMA.基于PLMA算法,设计了一种鲁棒性较强的主动队列管理机制,以估计速率作为标记概率的决定因子之一,增强了主动队列管理机制对网络拥塞状况的反应灵敏度.该机制能够快速响应流量变化,同时保持队列稳定性.仿真结果表明该算法优于RED及尾丢弃算法.     

基于蚁群算法的IP网络流量矩阵估计

针对IP网络流量矩阵(TM)估计的高度病态性,导致很难精确估计网络流量矩阵,因此提出了一种基于蚁群优化(ACO)算法的IP网络流量矩阵估计方法。通过适当的建模,将流量矩阵估计问题转化为最优化问题,再通过蚁群算法求解模型,有效解决了网络流量矩阵估计。通过测试结果分析,与现存的方法相比,所提算法的精度比最大熵和二次规划稍差,但这两种方法复杂度太高,不适用于大规模网络,因此,在网络规模较大的情况下,算法是较优的,可提高流量矩阵估计的精度。     

凝析天然气流量测量新方法

基于多个差压波动信号,提出了一种凝析天然气流量测量新方法。该方法在实际测量过程中,首先对当前流型进行辨识;然后应用与流型对应的流量测量模型对已辨识的流型进行流量计算。流量测量模型中的差压值由节流式流量计提供的多个差压波动信号中分离得出,分离矩阵的各矩阵元素由差压波动信号的统计特征值求得。实验结果表明,凝析天然气流量测量新方法是有效的,其测量精度满足工业应用的要求。     

张量表达下的多模态交通缺失数据补全算法

来自多源感知设备所采集的多模态交通数据,由于探测设备、网络、数据传输等错误往往存在丢失.交通数据的缺失对交通网络智能规划、避免拥堵等会产生重大的负面影响.同时,来自于不同平台数据的编码方式、标识存在差异,很大程度上影响了交通数据的利用.基于此,本文针对交通监控视频与车流量探测数据,结合张量理论,建立了用以描述多模态交通数据的张量模型,并提出了基于Tucker-Crossover的多模态数据补全算法(Tucker-Crossover based Multimodal Data Imputation Algorithm,TCM D-IA),用于多模态交通缺失数据的补全.该方法利用Tucker分解后不同阶的因子矩阵和核矩阵进行相关性融合,从而提高缺失值估计效果.在真实交通数据集上的实验表明,TCMD-IA的多模态交通缺失数据补全效果优于其他方法,且具有较好的鲁棒性.     

基于数据中心流量特征的端到端流量估计算法

数据中心是云计算等大型分布式计算服务的基础,有效地设计与管理数据中心需要遵循数据中心网络的端到端流量特征。然而直接地测量网络的端到端流量需要耗费巨大的软件成本和硬件成本,并且由于数据中心网络结构的特殊性,传统的计算机网络采用的流量估计方法也无法适用于现有的数据中心网络。为解决以上问题,首先依据数据中心的资源分配和链路利用率情况提取出网络的粗粒度流量特征,在此基础上提出一种基于重力模型和网络层析技术的数据中心端到端流量估计算法。与现有的流量推理算法Tomogravity和ELIA在NS3搭建的不同规模的数据中心网络中进行性能对比,实验结果表明,所提算法能有效地利用提取出的粗粒度流量特征,在保证计算效率的前提下将计算准确度大幅提升,可满足当前数据中心网络实时获取端到端流量数据的需求。     

基于注意力机制的PM2.5多阶图卷积网络推断模型

细颗粒物（PM2.5）与大气环境和人类生活息息相关。城市中PM2.5监测站数量有限,无法提供细粒度PM2.5浓度,而大多数现有的PM2.5浓度推断方法缺乏根据动态时空特征建立多阶相关系数矩阵的能力。为此提出了一种基于注意力机制的PM2.5多阶图卷积网络推断模型（MOSTGCNInf）。该模型在利用图神经网络提取特征关系的同时,采用注意力机制动态构建多阶节点的注意力系数矩阵,并进行时空特征融合来提升PM2.5浓度推断效果。在公开数据集上进行了对比实验,使用准确率和F1值作为评价指标,并通过消融实验验证了方法的有效性。实验结果表明,MOSTGCNInf对PM2.5浓度推断结果有提升作用。     

具有丢失数据的贝叶斯网络结构学习研究

目前主要基于EM算法和打分-搜索方法进行具有丢失数据的贝叶斯网络结构学习,算法效率较低,而且易于陷入局部最优结构.针对这些问题,建立了一种新的具有丢失数据的贝叶斯网络结构学习方法.首先随机初始化未观察到的数据,得到完整的数据集,并利用完整数据集建立最大似然树作为初始贝叶斯网络结构,然后进行迭代学习.在每一次迭代中,结合贝叶斯网络结构和Gibbs sampling修正未观察到的数据,在新的完整数据集的基础上,基于变量之间的基本依赖关系和依赖分析思想调整贝叶斯网络结构,直到结构趋于稳定.该方法既解决了标准Gi     

基于并行双通道时空网络的流量数据修复技术

流量数据丢失是网络系统中常见的问题, 通常由传感器故障、传输错误和存储丢失引起. 现有的数据修复方法无法学习流量数据的多维特征, 因此本文提出了一种结合双向长短期记忆网络与多尺度卷积网络的双通道并行架构(ST-MFCN)用于填补流量数据的缺失值, 同时设计了一种新的对抗性损失函数进一步提高预测精度, 该模型有效地学习流量数据的时间特征和动态空间特征. 本文在Web traffic time series数据集上对模型进行测试, 并与现有的修复方法进行对比, 实验结果表明, ST-MFCN能够减少数据恢复的误差, 提升了数据修复的精确度, 为网络系统中的流量数据修复提供了一种稳健高效的解决方案.     

基于稀疏表示的电力负荷数据补全

数据缺失在电力负荷数据采集过程中经常发生,对提高算法的预测精确度带来了不利影响.现有的缺失数据补全算法只适用于缺失数据量较少的情况,而对于缺失数据较多的情况表现不佳.面对严重数据缺失的挑战,文中提出了一种基于稀疏表示的电力负荷缺失数据补全方法.首先以数据随机缺失为前提,将训练数据中假定缺失后的数据与完整的训练数据上下拼...     

基于互补判断矩阵的DS/AHP方法

为克服传统DS/AHP方法中因度量标度选择问题和知识矩阵求解问题而带来的推断信息精确性差和集成结果有效性有待商榷的缺陷,结合传统方法的建模思路分析指出其中存在的问题,通过引入互补判断矩阵提取决策者对方案组与识别框架之间的相对偏好推断,在此基础上提出由残缺互补知识矩阵向BPA函数转换的定理,并结合证据折扣思想和证据组合规则构建了开展推理判断的改进方法步骤,应用一个算例说明了提出方法的具体操作过程。     

移动群智感知下的交通流速缺失数据恢复算法

GPS等设备的普及使得基于大规模车辆数据的城市级道路状态评估成为可能,本文研究移动群智感知下的交通流速缺失数据恢复问题.首先,利用探测车收集车辆数据,设计了基于网格密度提取路网的方法;其次,针对GPS数据特点设计一种自适应的路段流速计算方法,得到交通流速矩阵;再次,对交通状况评估时存在的数据缺失情形进行分类,基于数据时...     

基于时空卷积神经网络的数据缺失交通流预测

针对数据连续缺失情况下交通流预测精度下降甚至失效的问题,提出了一种时空卷积神经网络预测模型,根据横向分布的时间相关性和纵向分布的空间相关性,构建路网交通数据时空矩阵,引入掩码矩阵标记数据的缺失状况,利用卷积操作提取路网中各检测器之间隐含的非线性关联,建立当前时刻与未来交通状态的映射关系,实现数据缺失情况下的交通流预测....