无线传感器网络连通性研究

为优化无线传感器网络的配置参数,减少网络拓扑结构变化次数,需对其组网算法和连通性问题进行研究。从概率论角度出发研究了网络参数之间的关系,在分析了节点连通度概率分布模型后,推导出了节点通信半径、节点个数、监测区域、连通度之间的关系,并在此基础上给出了一种连通性好且节能的无线传感器网络组网算法。通过仿真实验对算法进行验证,实验结果表明使用该方法组建的无线传感器网络连通性好,有很好的应用前景。     

无线Mesh网的物理层网络编码方案

无线网状网是传统组网方式的变革,网中的节点之间相互通信,构成多点到多点的网状结构,是一个大型的无线中继网络,对无线中继网络物理层的研究集中于网络编码,以及结合逼近香农极限的良好性能的低密度奇偶校验码,提出了基于物理层的结合网络编码和信道编码的方案,该方案不仅利用了双向中继的提升吞吐率的特性,而且设计了并行迭代算法来降低译码的复杂度。     

一种用于水下监测的无线传感器网络的研究

无线传感器网络用于水下监测是近几年来提出的一种新型网络系统。本文对无线传感器节点TelosB的数据采集软件的设计与实现,进行了详细的分析与研究。无线传感器节点TelosB参与水下传感器网络组网平台,本文从硬件和软件两个角度对TelosB节点进行了详细的分析,提出了扩展口通信组网算法。最后结合TelosB节点扩展口通信参与组网时的通信方式,提出了一种扩展口组网算法—轮询监听算法,解决了应用中的通信问题。     

主动式通信网络性能自动监测方法

为有效感知网络吞吐量变化、时延以及丢包等态势,科学地量化分析网络性能,提出基于时间域的主动式通信网络性能自动化监测方法。构建基于时间域的三级网络性能自动化监测结构,依据网络通信目的、分布式监控以及集中控制节点采集网络监控数据,将吞吐率、时延、丢包率作为衡量主动式通信网络性能的时间域指标,通过网络吞吐率、时延与时延抖动计算以及基于EM-MLE算法的丢包率计算,实现网络性能自动化监测。经实验验证：该方法针对网络吞吐率、丢包率与时延监测结果均与实际情况较为接近,能精确监测不同月份网络链路的可用率与优良率变化。     

基于准瓶颈节点的干扰优化拓扑控制算法

干扰是严重影响Ad hoc网络的网络吞吐率主要原因之一。已有的基于网络链路和路径的局部干扰优化算法并未考虑网络中准瓶颈节点对网络干扰的影响,准瓶颈节点不仅影响网络的吞吐率,还可能破坏网络的连通性。利用分布式算法找出准瓶颈节点,构建链路干扰度的本地最小生成树,提出一种新的干扰优化拓扑控制算法（Quasi-bottleneck node-based Interference-optimization Algorithm,QIA）,有效地降低准瓶颈节点对网络的干扰。仿真实验结果表明,QIA算法在保证网络连通性的前提下,降低了网络干扰。该算法同经典干扰优化拓扑控制算法相比,网络吞吐率提高了约10%~30%。     

一种基于TDMA系统的混合网络模型

本文在TDMA蜂窝系统网络模型的基础上,引入了节点之间直接进行通信的自组织通信模式,提出了一种基于TDMA蜂窝系统的混合网络模型:Hybrid-TDMA,重点介绍了这种网络模型中的几个关键问题,包括资源分配算法、路由选择算法等.仿真结果表明,这种网络模型可以有效的提高资源利用率,从而提高系统的吞吐和容量.     

基于电子鼠平台的路由协议

针对电子鼠自部署应用场景,设计并实现一种基于分布式系统的无线传感器网络路由协议。该协议考虑电子鼠自部署过程中通信最频繁的2种情况,以最小生成树的结构组网,在节点增加和节点失效时采用网络重组算法,提高网络运行效率。仿真结果表明,与现有协议中较适合该场景的AODV协议相比,该协议的吞吐率较高、收发包延迟较小。     

基于源区域路径选择的层次化片上网络路由算法

针对较大规模片上网络(NoC)远端节点和邻近节点之间的通信问题,提出一种基于区域划分的层次化簇状分层网（CHM）结构。在此基础上,针对中间节点拥塞严重导致网络性能降低的问题,提出一种基于源区域路径选择的自适应算法。该算法利用CHM结构区域特性将路由决策由源节点移至源区域,同时在原有底层和上层节点对的基础上增加自适应节点对,并增加该部分节点对路由选择性,从而缓解网络拥塞状况。仿真实验表明,与最短路径算法相比,在合成流量和局部化流量模式下,该算法下的CHM结构饱和注入率最多可分别提升约51%和31%,因此该算法可有效提升网络整体吞吐性能。     

高吞吐率和高公平性混合传感网络

人们对传感网络吞吐率和公平性的要求越来越高,但是利用现有无线传感网络技术改善其传输性能却是非常困难的,因此基于现实工程中存在的一类特殊应用场景,设计了利用混合传感网络来改善传统无线传感网络低吞吐率以及低公平性的方法。首先针对固定传感网络论证了其最优吞吐率分配机制,其次针对网络布线问题设计了贪婪算法、K-自增聚类算法和混合算法3种启发式算法。仿真结果表明,混合算法相对于其他两种算法而言,网络最小节点吞吐率至少提高了75%,具有最优的算法性能,可以显著改善传感网络的性能。     

分裂WSN中基于消息摆渡的吞吐率分析

在无线传感器网络(WSN)中,由于节点能量与通信距离的限制,节点间的通信会出现间隙性,甚至产生分裂网络。为此,采用消息摆渡的方法构造网络吞吐率的数学规划问题并进行仿真。实验结果表明,节点的缓存空间、感知速率不影响整个网络的吞吐率,网络吞吐率随摆渡节点移动速度的加快而提高。     

应用自组织神经网络客观评定织物折皱等级

本文采用Kohonen自组织神经网络客观评定织物折皱等级，首先介绍自组织神经网络的基本算法，再结合自组织神经网络结构实现神经元的竞争和训练，并将结果输出到相应的分类模式中，以此确定试样的折皱等级，最后采用26种真实织物验证该方法的可行性。     

一种SOA服务区域的自组织方法

在提出的一种分布式层次化服务注册中心组织结构的基础上,讨论了根据服务节点、负载和网络带宽等因素动态自适应的服务区域划分方法,通过节点加入、区域分割与合并等操作,保持服务区域划分的动态合理性。仿真实验数据显示,上述方法较静态分布式区域划分方法在系统响应性能上更好,区域划分更加合理和有效。     

一种用于图象恢复的数据融合算法研究

近年来多传感器数据融合技术在图象处理领域得到了广泛的重视和应用。鉴于来自同一景物的多幅变形图象,其来源不同,每幅图象都带有不同的噪声,针对这种图象的恢复提出了一种基于自组织特征映射神经网络的图象融合算法。该算法可分为3步,第1步是图象的预处理阶段,即对图象进行加权中值滤波,去除部分噪声;第2步利用自组织神经网络对每幅图象的象素进行聚类分析;第3步,对第2步得到的结果按照一定规则进行融合。仿真结果表明,该算法能明显提高图象质量。     

轨迹分布模式学习的层次自组织神经网络方法

提出一个层次自组织神经网络模型，并将其应用于基于事件识别的轨迹分布模式学习中。该文利用神经元的侧向连接将神经元连成若干条线，每条线对应一个“内部网”。对应于层次神经网络模型，建立了两个领域，即神经元领域和“内部网”领域，两个领域内的神经元都要不同程度地改变权值，从而完成运动轨迹分布模式的学习。还给出了利用轨迹分布模式检测出局部可能的异常现象、检测整个运动轨迹所表示的事件是否为异常事件和目标行为预测的方法。实验进一步说明了该方法的可行性和有效性。     

基于Hebbian法则的P2P学习网络构建算法

针对远程教育环境中信息量过大,学习者分散、难于组织的问题,提出了一种E-Learning学习网络构建算法.该算法采用P2P的网络结构组织节点之间的通信,利用Hebbian学习法则来修改网络节点之间的信任权值,通过不断调整节点的联系人来实现学习网络的构建.学习网络能够对学习者关于学习资源的查询做出符合学习者学习兴趣的反馈,从而最大限度地满足学习者的需求,提高学习者的学习满意度.实验结果表明,算法相比于传统算法,具有较快的网络建设速度、较高的网络建设质量以及较高的鲁棒性,因而能够更好地适用于大规模的E-Learning学习这种开放的分布式环境.     

Multi‐Variable Direct Self‐Organizing Fuzzy Neural Network Control for Wastewater Treatment Process

A multi‐variable direct self‐organizing fuzzy neural network control (M‐DSNNC) method is proposed for the multi‐variable control of the wastewater treatment process (WWTP). In this paper, the proposed control system is an essential multi‐variable control method for the WWTP. No exact plant model is required, which avoids the difficulty of establishing the mathematics model of WWTP. The M‐DSNNC system is comprised of a fuzzy neural network controller and a compensation controller. The fuzzy neural network is used for approximating the ideal control law under a general nonlinear system. Moreover, the neural network is designed in a self‐organizing mode to adapt the uncertainty environment. Simulation results, based on the international benchmark simulation model No.1 (BSM1), demonstrate that the control accuracy is improved under the proposed M‐DSNNC method, and the controller has a much stronger decoupling ability.     

西门子PLC组网技术的研究与应用

西门子PLC在工业控制领域应用非常广泛,市场占有率非常高,它的网络通讯技术是非常先进的。我们利用西门子PLC先进的组网技术,建立了一个基于工业以太网和现场总线的工业控制网络实验系统。本系统组网和通讯方式灵活多变,可以选用工业匕各种通讯方式,灵活组网,开设了多个网络通讯实验,为科研和开发提供了一个很好的平台。     

基于对端重叠网络的通用大规模计算资源共享环境的构造

大规模计算资源共享是网格计算和其它基于Internet的计算模式的首要目标之一 .作为计算网格的一个主要分支 ,自愿计算环境在大规模计算模式中正在扮演着越来越重要的角色 .目前的自愿计算环境大多是专用和集中控制的 ,因而存在着某些可用性和可扩展性的问题 .该文构造了一个通用和可扩展的自愿计算环境 :Paradrop per .该环境的可扩展性得益于一个自组织的对端重叠网络 ( peer to peeroverlaynetwork) ;通用性得益于统一的计算和任务描述手段以及建立在该网络之上的计算任务调度、容错机制和界面友好的使用平台 .该文首先对自愿计算的特点以及Paradropper计算平台做了简要介绍 ,然后重点阐述该环境下计算网络的构造和基于该网络的计算任务调度算法 ,对计算网络的若干特性 (诸如高聚合性和低搜索路径 )以及调度的效能进行了仿真分析 ,最后 ,通过若干示例应用对计算平台的功能进行了测试 .仿真结果说明 ,该文构造的计算网络表现出明显的自组织特性 ,具有较好的可扩展性和自组织能力 ,能为计算资源的调度提供很好的支持 .小规模测试结果初步说明 ,该文构造的计算环境为Internet环境下的单程序多数据 (SPMD)的易并行计算应用提供了一个可行的思路 .     

基于运动预测与动态通信能量调整的移动WSN路由选择算法

针对移动无线传感器网络中,大量节点随机运动导致的网络拓扑结构复杂且拓扑变化频繁而引发的通信效率低、网络寿命下降等问题,在分析WSN节点通信模型的基础上,得到不同节点间存在优化能量转发节点的限定条件,确定了节点间本地通信转发的触发范围,提出了一种用于移动WSN的基于节点运动判断的路由选择算法NMEBRP,算法通过对邻居节...     

Binary image denoising using a quantum multilayer self organizing neural network

Several classical techniques have evolved over the years for the purpose of denoising binary images. But the main disadvantages of these classical techniques lie in that an a priori information regarding the noise characteristics is required during the extraction process. Among the intelligent techniques in vogue, the multilayer self organizing neural network (MLSONN) architecture is suitable for binary image preprocessing tasks.In this article, we propose a quantum version of the MLSONN architecture. Similar to the MLSONN architecture, the proposed quantum multilayer self organizing neural network (QMLSONN) architecture comprises three processing layers viz., input, hidden and output layers. The different layers contains qubit based neurons. Single qubit rotation gates are designated as the network layer interconnection weights. A quantum measurement at the output layer destroys the quantum states of the processed information thereby inducing incorporation of linear indices of fuzziness as the network system errors used to adjust network interconnection weights through a quantum backpropagation algorithm.Results of application of the proposed QMLSONN are demonstrated on a synthetic and a real life binary image with varying degrees of Gaussian and uniform noise. A comparative study with the results obtained with the MLSONN architecture and the supervised Hopfield network reveals that the QMLSONN outperforms the MLSONN and the Hopfield network in terms of the computation time.