进口原毛品位检验的一点浅见

羊毛品位是说明羊毛优劣程度的一项重要指标,直接关系到成条质量,制条加工成本等。对工厂来说,羊毛的毡结,短毛率,     

多路径递归网络结构的单帧图像超分辨率重建

卷积神经网络在单帧图像超分辨率重建任务中取得了巨大成功,但是其重建模型多是基于单链结构,层间联系较弱且不能充分利用网络提取的分层特征。针对这些问题,本文设计了一种多路径递归的网络结构(MRCN)。通过使用多路径结构来加强层之间的联系,实现特征的有效利用并且提取丰富的高频成分,同时使用递归结构降低训练难度。此外,通过引入特征融合的操作使得在重建的过程中可以充分利用各层提取的特征,并且自适应的选择有效特征。在常用的基准测试集上进行了大量实验表明,MRCN比现有的方法在重建效果上具有明显提升。     

一种适合城市交通的VANET组网方法研究

车载自组网(VANET)具有规模大、节点分布不均且移动性强等特点,VANET的组网技术已经成为该领域的研究热点.针对城市交通环境,提出了一种基于分簇结构的VANET组网方法,以公交车为簇头,重点研究了簇头的动态选举、簇内成员的动态管理等问题.在网络的连通性方面,提出了利用路边停靠车辆缓存转发的策略.通过仿真实验,对方案进行了分析验证,结果表明,该方案可有效延长通信时间,提高传输效率.     

D-S证据理论融合多特征的油菜病害识别方法

针对单一特征在识别油菜病害上存在的局限性,提出一种基于D-S证据理论融合多特征的油菜病害识别方法。首先对预处理后的油菜图片提取颜色矩、颜色共生矩阵两种特征,通过欧氏距离来构建D-S证据理论所必需的基本概率分配(BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对存在最终识别结果被误识别为不确定问题,通过引入方差来对决策方法进行改进,避免了这一现象的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。实验表明,该方法能有效提高油菜病害识别率。     

基于CK模型SNEP安全分析

无线传感器网络(WSN)由于受节点特点限制,不适合采用公钥体制进行数据加密以及身份认证等。SNEP协议是针对WSN特点提出的SPINS协议中的重要部分,主要负责基于可信基站的节点间会话密钥建立以及认证。采用可证明安全模型中的CK模型构建了一个理想模型下与现实模型下SNEP协议相对应的新协议,通过两种模型下的敌手ADV与UDV对它们进行形式化分析,得出SNEP协议构成了现实环境中安全通道的结论。     

基于跨层优化的能量均衡WSN通信协议*

针对WSN中的热点问题,提出一种新的跨层式通信协议CTMAC,将能耗均衡机制与跨层设计方法相结合,通过共享节点能量信息,建立一种能耗均衡的树结构能量感知路由算法,并将FRTS机制引入SMAC.NS2仿真实验表明:CTMAC协议具有良好的能量有效性和稳定性,有效地减轻了热点问题.     

主动网络下安全传输模型的研究与实现

主动网络是一种可编程的开放的网络体系结构。同时这种可编程性也带来了新的难以解决的安全性问题。文中研究并实现了一种主动网络下的安全传输模型。通过在SENCOMM平台下用这种安全模型进行信息传输的试验可以验证：该模型可以较好地解决信息传输双方的身份认证和信息安全传输的问题。     

基于Vegas协议的包错误检测机制

为解决无线或异质网络中TCP拥塞控制性能不稳定的问题,提出一种基于Vegas协议的包错误检测机制。该机制扩展了TCP Vegas头部选项并允许接收端返回一个发生包错误的特殊ACK给TCP发送端,保留TCP Vegas机制端对端的语义,无须修改基站或中间节点。NS2模拟实验表明,该机制可区分包丢失的原因,能较好避免由包错误产生的超时重传,提高传输性能。     

基于WSN的数据融合在水质监测中的研究

多传感器数据融合是一种数据处理方法,可以对来自多个传感器的数据进行多方面、多层次的处理,从而产生更有意义的信息,而这种信息是单一传感器难以获得的。通过在水质监测应用背景下研究基于WSN的数据融合,提出了一种针对水质监测的两级数据融合模型：处理传感器所采集到的监测数据时,对于同类型的数据采用自适应加权理论进行第一级数据融合;对于不同类型的数据采用模糊综合评价理论进行第二级数据融合。对巢湖流域水样监测的实验结果表明,这种采用自适应加权理论和模糊综合评价理论相结合的数据融合模型,能够有效降低监测网络的数据传输量,降低监测数据的误差,提高水质状态监测的可信度。     

基于Levy飞行的萤火虫模糊聚类算法

针对模糊C均值（FCM）聚类算法易受初始聚类中心影响而陷入局部最优问题,提出了一种基于Levy飞行的萤火虫模糊聚类算法（LFAFCM）。该算法改变萤火虫算法的随机移动策略,以平衡算法局部搜索和全局搜索能力;萤火虫位置更新过程中引入Levy飞行机制,以提高全局寻优能力;根据迭代次数和萤火虫位置动态调整每个萤火虫的尺度系数,以限制Levy飞行可搜索范围,并加快算法收敛速度。利用5个UCI数据集对算法进行实验验证,实验结果表明,该算法有效避免了陷入局部最优并具有较快的收敛速度。