排序方式: 共有100条查询结果,搜索用时 31 毫秒
11.
12.
基于Hebb规则的分布神经网络学习算法 总被引:1,自引:0,他引:1
随着知识发现与数据挖掘领域数据量的不断增加,为了处理大规模数据,scaling up学习成为KDD的热点研究领域.文中提出了基于Hebb规则的分布式神经网络学习算法实现scaling up学习.为了提高学习速度,完整数据集被分割成不相交的子集并由独立的子神经网络来学习;通过对算法完整性及竞争Hebb学习的风险界的分析,采用增长和修剪策略避免分割学习降低算法的学习精度.对该算法的测试实验首先采用基准测试数据circlein-the-square测试了其学习能力,并与SVM,ARTMAP和BP神经网络进行比较;然后采用UCI中的数据集USCensus1990测试其对大规模数据的学习性能. 相似文献
13.
针对现有中间件技术在车载网络领域中存在的问题,即难以有效支持多变的车载网络环境,且难以满足车载应用对实时性和稳定性方面的要求,提出了一种基于多组件链结构的具有情境感知自适应能力的车载网络中间件框架CARMVE,以降低车载应用的开发成本和复杂性,提高软件的灵活性、适应性和可移植性。通过对CARMVE自适应机制和情境感知机制的介绍,进一步说明了其对复杂车载环境的良好支持,并对如何基于CARMVE开发和部署车载网络应用进行了实例说明。 相似文献
14.
通过在可信网络连接TNC场景中设立第三方可信证书中心的方式,对不满足TNC体系结构的终端提出了一种新的访问模型,详细地说明了该模型的工作流程和通讯机制,并用仿真实验证明了该模型在解决该类终端接入可信网络连接的可行性。 相似文献
15.
本文对异步中继的方法作了进一步的研究,并成功地设计出中继器。文中详细地介绍了它的硬件组成,协议设计与分析以及软件实现,最后给出了有关的实验结果和实际使用。 相似文献
16.
提出了一种自适应证书分发策略,能够根据各种环境动态调整分发方式获得最优均衡解。首先,设置一个可以根据交通环境和安全状况自适应调整的阈值,当该阈值小于给定的新车占比时,节点将发送带有证书的数据包;否则,将发送没有证书的包。然后,提出了一个量化模型来评估车载自组网的收益,包括计算和分析发送/接收节点的开销、安全性和损耗等。仿真结果表明,本文所提出的策略在各种交通条件下都能很好地平衡性能和安全。 相似文献
17.
关于Ad-hoc网络研究中性能与安全的平衡问题有很多优化方案,但一直缺乏统一的量化标准来比较性能和收益,为此,提出了一种可以广泛使用的方法来评估Ad-hoc网络中性能和安全平衡。首先,采用GSPN构建节点内和节点间的数据传输模型;然后,运用Petri网抽象和精化;最后,结合连续时间马尔可夫链CTMC计算性能、安全和收益。通过这种方式,可将不同策略纳入统一的评估框架中,根据不同环境和需求选择最优均衡解,并在数据加密算法、密钥大小和策略选择上进行了仿真,为该模型利于网络资源的利用提供了理论依据和数据支持。 相似文献
18.
移动自组网依靠多点协作完成路由任务,可信的路由协议需要节点之间建立一定的信任关系,但大多数信任路由模型只追求路由的信任性而忽略了健壮性.本文基于ANTHOCNET算法,设计了兼顾信任性和健壮性的TrANTHOCNET算法.引入模糊Petri网的形式化推理算法处理节点之间的不确定关系,并利用位置信息对信息素实时更新以提高路由健壮性.实验结果表明TrANTHOCNET较ANTHOCNET、AODV和T-AODV均表现出较强的抵抗恶意节点攻击的能力,在路由性能方面也验证了本算法的有效性. 相似文献
19.
数据包过滤规则的快速匹配算法和冲突检测 总被引:8,自引:1,他引:7
通过分析数据包过滤技术中的性能瓶颈,提出了过滤规则的快速匹配算法BSLT. 该算法采用Trie数据结构存储规则表,并只在叶节点存储相应规则,节省了存储空间,其空间复杂度为O(NW),查找的时间复杂度为O(W);在匹配时采用二分法进行查找,提高了匹配速度,匹配的时间复杂度为O(N).实验证明BSLT的吞吐率在100条规则内比顺序匹配算法提高了近20%,而且规则越多,BSLT的优势越明显. 此外,分析了数据包过滤技术的另一个问题——规则冲突,给出了冲突的理论证明和查找算法.实验证明该算法能准确地检测出冲突规则. 相似文献
20.
分析了移动路径预测的已有方案,指出了各方案存在的问题。针对预测性能相对较好的K阶Markov预测器存在的状态空间膨胀问题,以2阶Markov预测器为例,提出了2步Markov模型,并验证了其在WLAN上的可行性。在此基础上,提出了一个混合多步Markov模型,并利用EM算法估计多个单步Markov模型的混合系数。该混合模型状态空间的复杂度为O(N),而2阶Markov模型为O(N2),其中,N为WLAN中的AP数目;混合模型的存储空间需求为O(N2),而2阶Markov模型为O(N3)。最后通过基于条件熵与误差向量2阶范数的计算分析以及基于实际数据集的实践分析表明,该混合模型能够以比2阶Markov模型小得多的空间代价获得与2阶Markov模型相似的预测精度和普适性,具有较高的实时在线应用价值。 相似文献