WSN流量的双卡尔曼并行递推预测算法研究

针对WSN流量预测,基于AR模型提出一种WSN流量双卡尔曼并行递推预测算法.该算法使用两个Kalman滤波器,交替进行AR模型参数的递推辨识与时变数据中真实值的最优估计,根据序列数据的最新信息实时修正AR模型参数进行动态预测.同时针对大步长的流量预测,引入滚动修正思想,克服动态预测算法存在间隔时间过长的缺点,降低多步预测误差.实验研究表明,利用研究的双卡尔曼并行递推算法使用AR模型进行多步预测,从原理设计和实现算法上,实现了WSN流量的准确预测.     

基于改进的混合高斯模型的目标检测方法

混合高斯模型是环境监控的一种有效方法,能及时侦测环境的异常变化,其基本思想为当环境与建立的模型相匹配时为背景,否则为前景.利用混合高斯模型在图像内进行目标检测,在模型替换的时候,前景容易误替换进模型内,影响背景差分效果.同时采用像素为单位做前景判断,信息量往往不足,不能有效地表示环境特征.高斯模型也存在对光照影响消除能力不足的问题,光照发生时,背景会发生变化,如果不及时检测出来,排除光照,就会造成误检,影响系统的准确性.文中针对这些问题提出了一种解决方案,并用实验证明了其有效性.     

标准模型下的无证书代理环签名方案

由于无证书公钥密码体制是一种新型公钥密码体制,它既克服了密钥托管问题,又不需要使用公钥证书,而在标准模型下所构造的方案与在随机语言模型下所构造的方案相比,具有更高的可证安全性,因此,该文在标准模型下,提出了一个无证书代理环签名方案。与现有的代理环签名方案相比,它具有更高的执行效率和可证安全性,能够归约于CDH（computational diffie-Hellman）问题假定。分析结果表明：它既能有效抵制来自密钥生成中心和授权人的伪造攻击,又能满足代理环签名的其他安全性需求;并且,该方案具有更高的执行效率,只需要两次对运算。     

开启数学之旅mothBoard

数学对许多人来说是那么生涩或难以理解,单纯的记忆式和口诀式的学习方式也并不是适合每个人。因为数学是研究数量、结构、变化以及空间模型等概念的一门科学,它需要缜密周详的逻辑推理才能够继续深入的进行学习。     

面向动态任务合作求解的联盟模型

多Agent系统中,Agent间通过形成联盟达到提高任务求解能力,获取更多收益的目的。主要关注联盟模型的改进和联盟形成阶段的改进,基于ARG(agent,role,group)元模型和学习机制提出了一种采用角色和学习机制的新联盟模型CLAR(coalition model based on learnin gagent and role);在采用合同网协议的CLAR联盟模型中提出了两阶段联盟形成机制;通过捕食者问题实验验证了角色和学习机制的作用,以及两阶段联盟形成机制在减少通讯代价上的作用。