一种改进的邻域保持嵌入高光谱影像分类方法

为进一步提高邻域保持嵌入算法(NPE)在高光谱影像分类中的识别性能,提出一种改进的半监督邻域保持嵌入(SSNPE)算法。首先,该算法在NPE算法的基础上同时利用同类标记样本和邻域未标记样本获得数据的邻域嵌入结构。然后,通过增加近邻标记样本的权重加大降维数据的鉴别性。最后,通过利用k近邻分类器(KNN)对样本进行分类得到该算法在数据集上的分类性能。在Urban、Indian高光谱影像数据集上的实验结果表明,改进的算法的分类精度相比其他算法提高了约8.3%、6.2%以上,分类性能上有了较为明显的提高。     

车联网中基于服务的虚拟网络功能放置算法

为满足车联网中海量数据的采集、传输以及对这些数据的快速处理的需求,可采用移动边缘计算(MEC)技术。本文考虑移动边缘计算中基站连接方式和物理资源的特点,对边缘服务器的部署问题进行了分析,以部署成本和网络时延为优化目标,划分基站集群,并使用整数线性规划(ILP)建立模型。为了获得运行效率更高的边缘服务器部署方案,本文使用分支定界算法和启发式贪婪算法获得优化模型的近似最优解。实验评估结果显示,分支定界算法和启发式贪婪算法最高可以把边缘服务器部署算法运行时间减少37.6%。此外,本文分析了用户服务器请求数量和用户服务优先级对算法运行时间和边缘服务器运行成本的影响。     

基于期望核密度离群因子的离群点检测算法

针对基于密度的离群点检测方法在不同分布的数据集上检测精度低的问题,提出了一种基于期望核密度离群因子的离群点检测算法。首先,引入k近邻和反向k近邻扩展邻域空间(ENS)代替传统的k邻域范围,更加全面地考虑数据对象的邻域信息;其次,在传统核密度估计(KDE)方法的基础上引入多元高斯函数,在扩展邻域空间内估计数据对象的密度,同时借鉴自适应核带宽的思想,更好地适应不同数据集的数据分布;然后,给出期望距离的概念,进一步区分局部离群点和位于低密度区域的正常点;最后,定义了期望核密度离群因子刻画数据对象离群程度。在人工数据集和真实数据集上对所提算法进行实验验证,并与部分传统算法进行对比,验证了所提算法的有效性。     

融合夹角度量的局部线性嵌入算法

局部线性嵌入(LLE)等流形学习算法中需要通过欧氏距离来度量数据点之间的近邻关系,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能真实反映出图像数据点之间的空间分布情况.针对此问题,本文提出了融合数据间夹角和欧氏距离度量LLE近邻和分类的方法.该方法通过融合图像数据间的夹角和欧氏距离来度量图像数据点之间的近邻关系,寻找k个近邻点,实现更有效的局部重构,提取鉴别特征,然后用融合了数据间夹角的最近邻分类器对数据进行分类.在KSC和Indian Pine高光谱遥感影像数据集上的实验结果表明:在总体分类精度上,本文算法比LLE提升了1.54%～6.91％.     

适合于HC-MAC协议的感知信道动态预留算法

针对基于HC-MAC协议的认知无线电系统提出了一种感知信道动态预留算法,以解决系统用户较多时可用频谱不能被充分利用的问题.该算法通过在感知开始前为认知用户预留一些信道,使得认知用户可以同时感知信道,从而减少了认知用户等待感知可用信道的时间,提高了频谱利用率.为了使该算法更具实用性,根据实时类业务和尽力服务类业务两类常见...     

带有带宽感知的自适应转发节点集合建立机制

研究了多点中继(MPR)集合建立机制对移动自组织网络(MANET)性能的影响,提出了一种基于可用带宽感知的集合建立方法,其特点是节点在MPR集合计算过程中自适应地为两跳邻居选择可用带宽较大的中继节点,降低节点拥塞程度,而算法的复杂度与原有算法的复杂度相同.仿真结果表明,虽然MPR集合平均元素数量和广播数据包数量略有增加,但是通过文中提出的转发节点集合建立方法,网络中的分组投递率以及端到端延迟性能得到了明显改善,此外该机制还能够根据网络当前状态实时调整,更加适应状态时变的网络特性.     

基于边缘计算与区块链的车载计算资源智能调度研究

随着车联网(IoV)的快速发展及部署,用户对网络服务质量的要求也随之提高。车联网数据计算作为网络服务的重要内容之一,越来越受到关注。移动边缘计算(MEC)作为一种允许车辆将计算任务卸载到车联网系统边缘服务器的技术,能够有效降低计算时延,提升数据处理效率。然而,车联网的数据流量日益增加,导致边缘计算设备的需求量大幅提高且存在数据安全可靠性问题。对此,本文面向车联网中移动车辆计算卸载的场景,提出一种基于区块链的停放车辆辅助计算的系统模型。通过联合考虑服务器计算资源、车辆机动性等条件,利用深度强化学习(DRL)对计算卸载和资源分配策略进行优化,减少系统能耗和数据传输时延,并提高区块链系统的交易吞吐量。仿真结果表明,本文所提优化方法可以有效提升系统性能,同时具有良好的收敛性能和稳定性。     

基于联邦元学习的安全移动边缘计算卸载框架

移动边缘计算(MEC)技术通过卸载部分计算任务到边缘服务器,可将第5代网络(5G)、云计算、大数据和人工智能等技术延伸到物联网终端。针对如何高效卸载计算任务和保障边缘数据隐私安全2个关键问题,在综述计算卸载性能优化研究基础上,本文提出了一种融合联邦学习和元学习的计算卸载应用框架,通过对计算任务的计算卸载以及计算资源的联合优化,从而实现系统加权时延和最小。在不泄露用户数据隐私的前提下,联合多个边缘服务器共同训练一个全局模型,并实现边缘服务器个性化计算卸载应用。在新的计算任务场景下,全局模型的网络参数仅用少量训练样本就能快速收敛。实验测试结果表明,本文提出的基于联邦元学习的计算卸载框架可适应未来边缘计算应用的隐私安全需求。     

面向道路场景语义分割的移动窗口变换神经网络设计

道路场景语义分割是自动驾驶环境感知的一项重要任务。近年来,变换神经网络(Transformer)在计算机视觉领域开始应用并取得了很好的效果。针对复杂场景图像语义分割精度低、细小目标识别能力不足等问题,本文提出了一种基于移动窗口Transformer的多尺度特征融合的道路场景语义分割算法。该网络采用编码-解码结构,编码器使用改进后的移动窗口Transformer特征提取器对道路场景图像进行特征提取,解码器由注意力融合模块和特征金字塔网络构成,充分融合多尺度的语义特征。在Cityscapes城市道路场景数据集上进行验证测试,实验结果表明,与多种现有的语义分割算法进行对比,本文方法在分割精度方面有较大的提升。     

中老年用户网购APP首页色彩设计要素研究

目的为有效发现中老年用户对购物移动端色彩要素的偏好,总结符合用户需求的购物界面色彩要素设计策略。方法选取初始网站样本,提取界面首页色彩要素及其水平,采用正交设计方法设计出在色彩设计要素上不同的十六个首页界面原型;分别对界面原型进行可用性测试,获得任务完成时间、出错率和用户主观满意度几个可用性指标;利用数量化理论Ⅰ类构建首页界面色彩设计要素与可用性指标之间的关系模型。结论研究中建立的网络购物移动端首页色彩要素与可用性指标关系模型较为理想,模型可用于网络购物移动端首页色彩界面可用性的预测。并发现在色彩要素的设计中,中老年人的偏好以及中老年组与青年组之间在色彩要素的偏好上存在的异同,对用户网络购物移动端色彩要素设计研究具有参考作用。     

多业务蜂窝中继系统的接入控制算法

以多业务蜂窝中继系统已接入用户的服务质量(QoS)指标、中继负载大小为约束条件,在正交频分多址(OFDMA)方式下,将接入控制问题转化为最大化中继传输下所减少使用的子载波数的问题,并进一步考虑了用户对中继的选择、用户间竞争接入等情况,设计了几种改进的接入控制算法。同时,把这些算法推广到多业务的应用场景中,研究了不同速率业务比例对系统性能的影响。仿真结果表明,所提出的接入算法能支持更多接入用户、降低接入阻塞率和增加节省的子载波数,从而有效地提高了系统容量和资源利用率。     

OFDMA系统中支持混合业务的跨层调度算法

针对正交频分多址接入(OFDMA)系统下行链路的混合业务调度问题,提出了一种基于队列等待时间的跨层调度算法.该算法联合利用了MAC层的队列等待时间与物理层的信道状态信息作为调度参数,通过队列等待时间反映用户的服务质量要求,并利用多用户分集增益提高系统性能;针对实时和非实时用户的不同服务质量要求,在队列等待时间的计算上采取了不同的策略;在子载波的分配过程中根据分配状态及时更新队列等待时间,使资源的利用更为有效.仿真结果表明,提出的算法可显著降低实时用户的平均时延和最大延时违反概率,同时保证了非实时用户的吞吐量需求,能够有效地支持下一代网络中混合业务的多种服务质量要求.     

基于kNN-SVM的手背静脉虹膜和指纹融合身份识别

针对识别模式下多生物特征融合识别系统的实现问题,本文基于手背静脉、虹膜和指纹三种生物特征研究了高效的融合识别算法。分别对三种生物特征进行特征提取与匹配,得到独立的匹配分数,基于k近邻(k Nearest Neighbor,kNN)分类器实现手背静脉特征识别,将用户身份范围缩小到k个,实现个人身份的初步识别,利用支持向量机(Support Vector Machine,SVM)算法实现k个样本范围内虹膜和指纹的融合识别,实现最终的个人身份识别。利用构建的三模态生物特征图像数据库进行了实验分析,实验结果表明该系统具有较高的识别性能,具有广阔的     

基于移动相似度评估的移动自组网多跳成簇算法

针对移动自组网(MANETs)节点间的相互移动,提出了一个移动相似度(MSD)评估模型,利用该模型可以得到量化相对移动程度的参数--MSD,然后提出了一种基于节点间的平均移动相似度(AMSD)的多跳成簇算法,此算法根据节点的AMSD建立稳定的簇结构,并通过设置关联节点、簇首竞争阈值减少簇首改变,采用事件触发的方式实现了...     

基于ALL IP的Single网络将是必然趋势

<正>最新数据显示,固定互联网用户量达到20亿用了20年,而移动互联网达到10亿用户量级仅用了5年,发展速度是固定互联网的两倍。移动互联网的快速发展,源自移动网络让人们摆脱了"线"的制约,智能手机的普及将赋予人们以最大的自由。随着移动网络高速普及,数字化内容开始呈现巨量增长。专家指出,在新一轮的网络和技术变革下,用户体验正日益成为驱动行业发展的原动力。同样,未来的业务也将以On-Demand体验为主,特别是在电视领域,人们将摆脱今天电视"在规定的时间看规定的内容"模式。移动网络搭载On-Demand业务体验将成为人们的基本需     

QOS测试方法初探

网络发展日新月异,随着网络上新应用的不断出现,IP网络已经从当初的单一数据网络向集成数据、语音、视频、图像的多业务网络转变。网络的服务质量(QoS)也日益成为人们关注的重点。     

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测EI北大核心CSCD

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。     

基于嵌入式小波编码的DEM快速无损压缩算法

为减少网络地理信息系统(GIS)海量数字高程模型(DEM)数据的存储与传输数据量,提出了一种基于嵌入式小波编码的DEM快速无损压缩算法--FEC算法,此算法编解码快速,压缩位流具有分辨率嵌入、感兴趣区域嵌入和质量嵌入特点.对2/6可逆整数小波变换系数的每级分辨率数据按照区域划分分区,利用时空邻居关系挖掘每个分区子带的数据冗余,对其系数的每一个位面在一次扫描中完成三个子编码过程的系数建模重组与自适应二进制游程Golomb_Rice熵编码.实验数据表明,FFC算法与JPEG2000算法相比,编码、解码时间分别减少了36.04%和44.49%,而压缩比仅仅降低了8.05%;与SPIHT算法相比,编码、解码时间分别减少了32.28%和37.49%,而压缩比仅仅降低了4.58%;与GZIP算法相比,压缩比提高了79.63%;与n点最优预测算法相比,压缩比提高了9.23%.FEC算法在保持良好的压缩性能的同时,大幅度减少了编解码时间.     

基于模糊逻辑控制器的WSN移动节点导航算法

为了实现含有移动节点的混合无线传感器网络中的网络覆盖优化,提出了一种点对点的基于模糊逻辑控制器的移动节点导航算法.该算法通过移动节点选择、移动节点向盲区填补坐标径直移动、避让固定节点、避让其他移动节点四个主要步骤,实现移动节点对覆盖盲区的弥补.该算法可以优化网络覆盖,延长网络生命周期,并且在导航过程中兼顾节能与网络负载...     

基于EK-NN的水声目标识别算法研究

针对水声目标信号复杂、样本获取难度大且富含不确定信息的问题,研究了一种新的证据K类近邻识别算法(Evidence K Nearest Neighbor,EK-NN)。首先在水声目标的各类训练样本中,根据特征距离大小选取待识别目标的K近邻,并构造其基本置信指派函数。然后使用证据理论中的Dempster-Shafer(D-S)规则对各类别下的近邻证据进行组合,最后再应用冲突置信的比例分配规则5(Redistribute Conflicting mass proportionally rule5,PCR5)将所有类别的组合证据进行融合,并根据融合结果和所设立的分类规则来判断目标的类别属性。根据水声目标实测数据,将新算法与其他几种常见的水声目标识别算法进行了对比分析,结果表明新算法能有效提高识别的准确率。