结合时空注意力机制和自适应图卷积网络的骨架行为识别

针对骨架行为识别对时空特征提取不充分以及难以捕捉全局上下文信息的问题,研究了一种将时空注意力机制和自适应图卷积网络相结合的人体骨架行为识别方案.首先,构建基于非局部操作的时空注意力模块,辅助模型关注骨架序列中最具判别性的帧和区域;其次,利用高斯嵌入函数和轻量级卷积神经网络的特征学习能力,并考虑人体先验知识在不同时期的影...     

无线体域网节能策略综述

作为无线传感器网络的一个重要分支,无线体域网因其便携、可移动的特点受到各个领域的广泛关注.然而,节点难以得到充电或替换使得能耗问题日益凸显.针对节点能量受限问题,在简要介绍无线体域网结构和特点的基础上,结合已有的研究,分别从物理层、MAC层和网络层等方面分析并总结了已有的节能策略.最后,根据应用需求,提出了几点研究设想.     

基于模糊逻辑算法的无线医疗体域网MAC协议研究

针对无线医疗体域网的能量受限问题,提出了一种利用模糊逻辑控制理论来减少单个节点射频装置工作频次的MAC协议——FL-MAC。该协议通过模糊逻辑算法过滤掉网络中需要发送的正常生理信息,减少数据流量,保证时隙的引入,确保对突发事件的及时处理。仿真结果表明,该协议相比于ASCEMAC和DQBAN-MAC等模糊逻辑协议,延长了网络节点的生命周期,降低了整个网络的时延。     

基于最大似然估计的加权质心定位算法

为解决无线传感器网络中节点自身定位问题,针对接收信号强度指示（received signal strength indication,RSSI）测距误差大和质心定位算法精度低的问题,提出一种基于最大似然估计的加权质心定位算法．首先通过计算将估计距离与实际距离之间的最大似然估计值作为权值,然后在权值模型中,引进一个参数k优化未知节点周围锚节点分布,最后计算出未知节点的位置并加以修正．仿真结果表明,基于最大似然估计的加权质心算法具有定位精度高和成本低的特点,优于基于距离倒数的质心加权和基于RSSI倒数的质心加权算法,适用于大面积的室内定位．     

WSN中一种改进的DCCP拥塞控制机制

由于WSN具有链路质量差、数据冗余度高和"多对一"汇聚等特性,使得传统TCP协议的应用受到了挑战。为此,基于数据报传输协议(DCCP)提出一种改进的拥塞控制机制IM_DCCP。IM_DCCP根据误码丢包率来区分链路误码和网络拥塞引发的丢包,同时引入信道繁忙比率来协作进行网络拥塞检测,并针对不同的拥塞等级选择正确的窗口调节策略实施拥塞控制。NS2仿真表明,所提出的机制与其他机制比较,公平性较好,且能有效的降低丢包率、提高网络吞吐量性能。     

基于分割注意力的特征融合CNN-Bi-LSTM人体行为识别算法

针对传统人体行为识别算法不能有效抑制空间背景信息,网络间缺乏信息交互,以及无法对全局时间相关性进行建模的问题,提出一种基于分割注意力的特征融合卷积神经网络-双向长短时记忆网络(CNN-Bi-LSTM)人体行为识别算法。首先以一定采样率采样30帧图像,通过分割注意力网络提取图像的深度特征,并引入特征融合机制增强不同卷积层间的信息交互;然后将深度特征输入到Bi-LSTM网络对人体动作的长时时间信息建模,最后使用Softmax分类器对识别结果进行分类。相较于传统双流卷积网络,该算法在UCF101和HMDB51数据集上的准确率分别提高了6.6%和10.2%,有效提高了识别准确率。     

移动边缘计算中依赖型任务的调度模型研究

当前移动边缘计算(mobile edge computing, MEC)环境中关于任务调度的工作经常忽略任务间的依赖关系,导致其完成 时延较长。 针对此问题,首先,以降低系统完成时延为目标,在考虑到跨服务器协作的多用户、多边缘服务器场景下,利用广度 优先搜索算法(breadth first search, BFS)构建一种依赖型任务的调度模型。 然后,根据任务和边缘服务器之间的交互,将模型 中各调度层的联合卸载和迁移问题建模为一个多领导者多跟随者的 Stackelberg 博弈。 最后,为实现 Stackelberg 博弈均衡,提出 基于 Q 值的卸载算法和分布式迭代迁移算法求解模型。 仿真结果表明,与基线算法相比,所提算法在不同规模的用户和边缘 服务器的场景下,将系统完成时延分别降低了 44. 1%和 63. 2%。 进一步实验表明,与传统方案相比,所提模型在不同规模的用 户和边缘服务器的场景下使系统完成时延分别降低了 20. 1%和 6. 7%,有效保证了服务质量。     

无冲突的无线传感器网络广播算法

无线传感器网络的节点众多,各种资源严重受限,广播引起的冗余转播加剧了资源的消耗,因而慎重选择转播节点非常关键.提出了一种无冲突的广播策略,该策略利用邻节点能量和度等信息构建最小连通树,减少了转播节点的数量,同时对最小连通树中的节点的转播进行调度,避免冲突的发生.该策略减少网络中节点的能量消费、延长了网络寿命,同时确保了广播的可达性.仿真结果表明该算法提高了广播的效率.     

行为识别中基于GA优化的加速度特征选择方法

在基于加速度信号的人体行为识别中,LDA是较常用的特征降维方法之一,然而LDA并不直接以训练误差作为目标函数,无法保证获得训练误差最小的投影空间。针对这一情况,采用基于GA优化的LDA进行特征选择。提取加速度信号特征,利用PCA方法解决“小样本问题”,通过GA调整LDA中类间离散度矩阵的特征值矢量,使获得的投影空间训练误差最小。采用SVM对7种日常行为进行分类。实验结果表明,与单独采用PCA和采用PCA+LDA方法相比,基于GA优化的LDA算法在保证较高识别率的同时能有效降低特征维数并减小分类误差,最终测试样本的识别率可达95.96%。