一种实现MAC层冲突反馈的跨层TCP拥塞控制机制

详细分析了传统的TCP拥塞控制算法在无线多跳网络环境下面临的问题,指出无线多跳环境下的MAC层信道竞争以及TCP拥塞窗口的过激增长机制是影响TCP性能的主要原因,提出一种新的TCP跨层拥塞控制机制TCP-CR.该机制中节点通过MAC层维护的链表信息,将冲突概率定时向源节点的传输层进行反馈,源节点根据获取的反馈信息做出拥塞窗口调整.仿真结果证明,该机制中源节点能有效根据当前MAC层网络状况做出及时动态调整,从而提高TCP的吞吐量.     

不均匀光照车牌增强算法研究

当车牌光照不均匀时,会给车牌的进一步处理带来很大的困难.针对这一问题,提出基于本征图像分解的不均匀光照车牌的增强算法.把定位好的车牌图像转换成灰度图像,对图像中包含相似亮度分量的像素集合,用本文所提出的约束进行处理.该约束和传统的Retinex邻近像素约束有效地减少了分解中的不确定性.使用这两个约束,使得分解问题转换成求二次函数最小值的问题,即形成了用封闭解来求本征图像分解.由实验可知,本文算法增强效果较好,降低了车牌进一步处理的难度.     

面向卫星数据系统的SpaceWire应用模型仿真研究

针对我国未来航天应用的需要,建立了SpaceWire总线在卫星在轨数据系统应用的半物理仿真平台,对SpaceWire总线的仿真应用模型进行了设计与实现.仿真系统采用了冗余容错结构,在节点故障时,能够通过Dijkstra算法重新计算最优通信路径,对路由表进行动态重构,实现对节点故障的动态容错.另外,通过对SpaceWire总线的通信性能测试结果的分析研究指出,SpaceWire总线在卫星在轨数据系统中可以用于提高总线数据传输的带宽和实时性,然而总线系统的基础可靠性还应当由1553B总线来提供.     

无线网络中TCP/NC协议性能分析与仿真验证

为改进传统传输控制协议( TCP)在无线网络中的性能,运用Matlab对TCP Reno,TCP Vegas和基于网络编码的TCP/NC吞吐率分析模型进行数值求解,分析3个模型在不同网络环境下应达到的理论值,验证TCP/NC模型在理论上能否提高其吞吐率。基于NS-2对3种吞吐率模型进行仿真,结果表明,TCP/NC及其分析模型可有效改进TCP协议。     

多个水下机器人动态任务分配和路径规划的信度自组织算法

针对多个水下机器人(autonomous underwater vehicles,AUVs)动态任务分配和路径规划速度跳变问题,引入栅格信度函数概念,给出一种改进的栅格信度自组织(belief function self-organizing map,BFSOM)算法.目的是控制一组AUV有效地到达所有指定的目标位置,同时保证AUV能够自动的避开障碍物.首先,自组织神经网络(self-organizing map,SOM)算法对多AUV系统进行任务分配,使得每个目标位置都有一个AUV去访问.整个分配过程包括定义SOM神经网络的初始权值、获胜者选择、邻域函数的计算3个步骤;其次,根据栅格信度函数和环境信息更新SOM获胜神经元的权值,使得每个AUV在访问对应目标的过程中能够自动避障并且克服速度跳变,实现AUV自动有效路径规划.最后,通过仿真实验证明了本文提及算法的有效性.     

基于VCG机制的动态频谱分配算法

针对在Underlay频谱共享方式下的认知无线网络动态频谱分配问题,在满足主用户服务质量（QoS）的前提下,建立一种非合作博弈模型,并设计其效用函数。在借鉴VCG机制的基础上,设计相应的收益函数,提出一种可以最大化认知无线网络系统吞吐量且保证公平性的分布式动态频谱分配算法。仿真结果表明,该算法收敛速度快、公平性强。     

基于贝叶斯过滤法的CSI室内定位方法

无线信号多径效应导致基于接收信号强度指示（RSSI）的室内定位方法的精度和稳定性下降。为解决这一问题,提出基于贝叶斯过滤法的信道状态信息（CSI）室内定位方法（BCL ）。将物理层的CSI结合RSSI作为参考信息,减轻信号接收端的多径衰减影响;在此基础上,采用贝叶斯过滤法进行数据处理,降低接收信号的时变性。实验结果表明,相比现有的典型室内定位方法, BC L有效提高了定位准确度和稳定性。     

一种低延时的无线传感器网络MAC协议

针对典型无线传感器网络X-MAC协议在多跳环境下累积延迟问题,提出一种具有低时延的Ex-MAC协议。利用管理邻居节点工作周期和虚通道算法,使得虚通道中的所有节点近似于同步,从而减少数据传输延迟,而且不需要交换同步控制帧。仿真结果与X-MAC协议相比,减少了端到端的延迟和数据包冲突的几率,提高了网络的吞吐量。     

一种基于EQ规则的组合服务运行时自适应方法

组合服务通常运行在开放、变化和不确定的互联网环境中.动态复杂的运行环境,使得组合服务的执行具有不确定性和不可靠性,从而制约了服务组合技术的实际可用性.针对该问题,面向环境的分析与建模,提出了一种基于EQ规则的组合服务运行时自适应方法.该方法在记载组合服务的执行日志和各备选服务的运行环境数据的基础上,挖掘得到反映“一个备选服务在特定的环境状态下所表现出的质量会如何”的EQ规则库,从而指导组合服务如何响应实时产生的各类环境变化事件,以驱动组合服务的运行时自适应,保障其可靠运行.仿真实验结果表明:该方法能够提高组合服务在动态环境中的服务质量,增强其运行稳定性,是一种有效的组合服务运行时自适应方法.     

一种大数据环境中分布式辅助关联分类算法

在很多现实的分类应用中,新数据的类标需要由领域专家最终确定,而分类器的分类结果仅起辅助作用.另外,随着大数据所隐含价值越发被人们重视,分类器的训练会从面向单一数据集逐渐过渡到面向分布式空间数据集,大数据环境下辅助分类也将成为未来分类应用的重要分支.然而,现有的分类研究缺乏对此类应用的关注.大数据环境中的辅助分类面临以下3个问题:1) 训练集是分布式大数据集;2) 在空间上,训练集所包含的各局部数据源的类别分布不尽相同;3) 在时间上,训练集是动态变化的,会发生类别迁移现象.在考虑以上问题的基础上,提出一种大数据环境中分布式辅助关联分类方法.该方法首先给出一种大数据环境中分布式关联分类器构建算法,在该算法中,通过横向加权考虑分类数据集在空间上的类别分布差异,并给出"前件空间支持度-相关系数"的度量框架,改进关联分类算法面对不平衡数据的性能缺陷;然后,给出一种基于适应因子的辅助关联分类器动态调整方法,能够在分类器应用过程中充分利用领域专家实时反馈的结果对分类器进行动态调整,以提升其面向动态数据集的分类性能,减缓分类器的退化和重新训练的频率.实验结果表明,该方法能够面向分布式数据集较快地训练出有较高分类准确率的关联分类器,并在数据集不断扩充变化时提升分类性能,是一种有效的大数据环境中辅助分类应用方法.