无线可充电传感器网络的能量补充策略研究

为均衡网络能耗,及时为可充电无线传感器网络中能量较低的节点补充能量,本文提出一种基于非均匀分簇的多跳能量补充算法。该算采用非均匀分簇的多跳路由协议,每次充电前基站根据本文提出的剩余时间与地理位置联合优先权算法,计算出各簇的优先值后规划最优充电路径。仿真实验结果表明,本算法与其他算法相比有较好的扩展性,能有效均衡网络能耗并及时为节点充电。     

面向非平衡数据集的金融欺诈账户检测研究

针对非平衡金融数据集,提出一种银行欺诈账户检测框架iForest-SMOTE。基于账户的动态交易特点,从统计、时序、监督信息维度抽取账户交易行为特征。针对过采样技术ADASYN在金融账户数据集中存在的跨区域样本合成问题,提出一种基于iForest算法的数据集均衡预处理策略,通过iForest算法对数据进行混合采样,在去除多数类噪声数据的同时降低分类器对少数类的学习难度。在此基础上,设计随机森林分类器实现金融欺诈账户检测。在真实金融账户交易数据集上进行实验,结果表明,与ADASYN、SMOTE等采样技术相比,iForest-SMOTE在召回率和准确率方面具有明显优势,F-value值至少能够提升2.13个百分点。     

基于卷积神经网络的OFDM-UWB信道环境识别

超宽带（UWB）无线通信技术被广泛应用于室内定位领域,其能识别出多径信道中的非视距信道,有助于去除影响信号的非理想因素,提升定位精度。基于OFDM方案的UWB系统,提出一种利用卷积神经网络对信道估计出的信道冲激响应时频图像进行训练,从而识别出信道环境的方法,将信道识别问题转化为图像识别问题,同时分析时频处理参数对识别结果的影响。仿真结果表明,该方法的识别率随通信系统比特信噪比（EbN0）的增加而提升,当EbN0增加至20 dB时稳定在90%,与传统基于支持向量机的信道识别方法相比获得了10%的性能提升。     

融合UWB与INS的消防员室内定位与NLOS检测算法

融合超宽带（UWB）和惯性导航系统（INS）能够实现消防员室内精确定位。为实现UWB的非视距（NLOS）误差检测,设计一种双级EKF框架。该框架以松耦合形式实现UWB/INS的数据融合,通过INS获取的初始位置估计坐标以检测UWB测量值的NLOS误差,根据检测结果计算残差矩阵来动态调整融合滤波器的测量噪声矩阵,以达到缓解NLOS误差的目的。实验结果表明,与三角不等式原理检测算法和无NLOS检测的UWB/INS简单融合算法相比,所提NLOS检测算法具备良好的检测能力、较强的稳定性及较高的定位精度。     

基于重用信息的非易失性缓存动态旁路策略

非易失性存储器具有能耗低、可扩展性强和存储密度大等优势,可替代传统静态随机存取存储器作为片上缓存,但其写操作的能耗及延迟较高,在大规模应用前需优化写性能。提出一种基于缓存块重用信息的动态旁路策略,用于优化非易失性存储器的缓存性能。分析测试程序访问最后一级缓存（LLC）时的重用特征,根据缓存块的重用信息动态预测相应的写操作是否绕过非易失性缓存,利用预测表进行旁路操作完成LLC缺失时的填充,同时采用动态路径选择进行上级缓存写回操作,通过监控模块为旁路的缓存块选择合适的上级缓存,并将重用计数较高的缓存块填充其中以减少LLC写操作次数。实验结果表明,与未采用旁路策略的缓存设计相比,该策略使4核处理器中所有SPLASH-2程序的运行时间平均减少6.6%,缓存能耗平均降低22.5%,有效提高了整体缓存性能。     

基于统计聚类方法的儿童下肢肌电信号周期识别

为运用肌电信号分析髋脱位儿童和正常儿童的差异,提出一种基于统计的聚类方法,识别步态中下肢肌电信号的周期起始时刻。使用非参数贝叶斯模型将肌电信号序列聚类为状态序列,并通过k均值聚类算法将该状态序列标记为肌肉活跃和不活跃两种状态,将肌肉活跃状态的起始时刻作为肌电信号周期的起始位置,并且利用窗函数方法提高预测准确性。实验结果表明,该方法对于预测正常儿童周期起始位置的识别误差较小,平均值为2.15%,并且在5%的置信度水平下与SampEN、SNEO和IP等检测算法相比具有较高的预测准确率。     

非参数贝叶斯分类字典学习的MRI重建方法

为提高磁共振图像的重构质量,提出一种基于非参数贝叶斯分类字典学习的重建方法.通过差分变换,在梯度域中利用无限高斯混合模型将图像块自动聚类,对具有相似结构的图像块进行分类训练字典.采用非参数贝叶斯字典学习方法训练字典,克服传统字典学习对参数选择的依赖性.实验结果表明,与目前几种典型的磁共振图像重建方法相比,该方法的峰值信噪比平均提高2.9 dB;在同一噪声水平下,该方法抗噪性能更强,重构质量更优.     

不确定语言信息下的大规模群体DEMATEL决策方法

针对现有不确定语言决策试验和评价实验(DEMATEL)方法大多仅适用于中小规模群体,且未考虑不确定语言变量采用非均匀标度的情况,探讨一种新的不确定语言信息下的大规模群体DEMATEL决策方法.首先,给出一种群体不确定语言DEMATEL矩阵的聚类方法,并对大规模群体DEMATEL意见进行合理分组;然后,定义三维不确定语言密度算子,并对大规模群体DEMATEL意见进行有效集结;最后,提出一种改进的基于不确定语言DEMATEL的指标权重确定方法,并在此基础上进行多属性决策.算例分析验证了所提方法的可行性与有效性,该方法采用非均匀标度来表征和呈现不确定语言变量,而且考虑了大规模群体决策的共识度,使得决策结果更为客观合理且更为可靠.     

基于非平衡数据下不完备混合型信息系统的属性约简

完备混合型信息系统下的粗糙集模型是传统粗糙集模型的重要扩展,目前关于非平衡数据属性约简的研究仅限于完备混合型的粗糙集模型。针对这一问题,提出一种基于不完备混合型信息系统的非平衡数据属性约简。本文首先将传统的粗糙集模型进行推广,提出不完备混合型信息系统下的粗糙集模型;然后针对数据的非平衡性,根据上下边界区域和类分布的不均匀性定义了一种新的属性重要度;在基于区别矩阵的基础上设计出一种非平衡数据的属性约简算法。实验分析表明该算法针对不完备非平衡数据的属性约简具有一定的有效性和优越性。     

基于多种信息组合模式的非负矩阵分解链路预测模型

针对基于拓扑结构相似性的链路预测算法中网络稀疏性和噪声问题,提出一种基于非负矩阵分解的链路预测模型。该模型从微观与宏观两个层面出发,融合网络内部和外部的辅助信息,减轻了网络稀疏性造成的影响,提升了算法预测的整体性能。提出的三种信息组合模式体现出宏观与微观角度下的信息融合策略。在13个真实网络数据集上的实验结果展示了算法预测性能上的优越性。