多用户动态节能资源竞争计算卸载策略

针对移动边缘计算环境下,移动设备的计算、续航、存储能力的不足,导致其响应延迟、电池寿命降低等问题,设计了一种动态节能资源竞争计算卸载（DERCO）策略。该策略综合考虑了信道容量以及设备间的相互干扰等情况,以一种贪婪算法的思想,让所有边缘设备通过迭代竞争信道资源,节能效果最好的设备将获得卸载机会,再利用一次性卸载方法,根据实时的信道状况和卸载速率进行动态的细粒度子任务卸载决策。实验结果表明,该策略优于一种近似协同计算卸载方案,有效降低了设备的能耗与时延。     

移动边缘计算中基于中继辅助计算方法综述*

为了满足下一代网络在覆盖范围、部署成本以及容量方面的挑战,移动边缘计算（MEC）通常需要借助中继节点的辅助来完成计算密集型和延迟敏感型的任务。首先介绍了基于中继辅助MEC系统的基本架构,之后从任务卸载、资源分配和中继节点选择三方面对基于中继辅助MEC系统最新的研究方法进行归纳总结。更进一步,针对现有方法可能存在的问题与挑战进行了讨论与分析,并提出一些可行的解决方案为后续研究发展提供参考。     

基于负载预测的微服务混合自动扩展

由于边缘云没有比中心云更强大的计算处理能力,在应对动态负载时很容易导致无意义的扩展抖动或资源处理能力不足的问题,所以在一个真实的边缘云环境中对微服务应用程序使用两个合成和两个实际工作负载进行实验评估,并提出了一种基于负载预测的混合自动扩展方法（predictively horizontal and vertical pod autoscaling,Pre-HVPA）。该方法首先采用机器学习对负载数据特征进行预测,并获得最终负载预测结果。然后利用预测负载进行水平和垂直的混合自动扩展。仿真结果表明,基于该方法所进行自动扩展可以减少扩展抖动和容器使用数量,所以适用于边缘云环境中的微服务应用。     

边缘计算在无人值守排水泵站智慧运管平台的应用研究

广泛应用的无人值守排水泵站智慧运管平台的建设模型主要是集中式处理型,通过阐述集中式处理型平台的架构特点以及存在的不足,介绍了边缘计算型系统的架构特点、优势价值及实现策略.边缘计算型具备低传输带宽、低响应延时、降低云中心计算负荷等优势.     

基于能量强度的簇区分路由方法研究

传感器节点体积微小,通常携带能量十分有限的电池。由于传感器节点个数多,成本要求低廉,分布区域广,而且部署区域环境复杂,有些区域甚至是人员不能到达的,所以传感器节点通过更换电池的方式来补充能量是不现实的。如何高效使用能量来最大化网路的生命周期是无线传感器网络面临的首要挑战。为了提高网络的寿命,目前人们已经提出了很多基于网络层的路由协议。比较研究了传感器网络现有的路由协议,参考LEACH分簇算法和MTP协议,提出了一种在MTP协议基础上将LEACH分簇思想引入进来的改进方法,即在基于能量强度将网络节点分层后,再在各层上进行簇区分,均衡各传感器节点的能量来提高网络的寿命。实验表明该路由算法可提高网络寿命。     

基于MATLAB的数字图像人数统计

从视频截取的图象中统计人数,一直是图象处理领域的一个前沿课题,在交通监控、客流量统计、运动分析、虚拟现实等领域都有很高的实用价值。本文提出了一种应用MATLAB软件,基于人体轮廓特征的提取及填充的来统计人数的方法,首先对图像使用中值滤波去噪,然后用canny算子检测出了图像的轮廓,为了得到完整封闭的轮廓线,使用了形态学的方法进行膨胀运算,最后,用MATLAB实现了图像轮廓的填充,实验结果表明,该方法简单有效。     

提升细节捕捉能力的非下采样轮廓波变换

针对传统NSCT(非下采样轮廓波变换)算法中NSP(多尺度分解方法)对细节信息捕捉能力较差及利用其进行图像融合得到的融合图像出现细节丢失问题,提出改进的NSCT算法。不同于传统NSCT算法,该算法首先采用细节捕捉能力较强的非下采样形态学小波分解替代NSP分解,实现对源图像的多尺度分解,将源图像分解成水平高频、垂直高频、对角高频和低频4部分;然后利用NDFB(非下采样的方向性滤波器)对高频部分进行多方向分解得到一系列高频信息,实现改进型NSCT分解。实验结果表明,该算法的细节捕捉能力较传统算法好,在相同融合规则下其图像融合效果更好,各项融合指标值均有所提高,其中平均梯度提高了10%,且易于实现,可广泛用于多分辨率图像融合,是一种有效的融合图像算法。     

保持边缘特征和增强对比度的图像缩放算法

图像的边缘信息和对比度是影响人体视觉的最主要因素。提出一种能够同时保持边缘特征和增强对比度的图像缩放新方法。通过边缘检测算法、边缘梯度增强以及梯度图的低通滤波算法,得到新的梯度图,再通过求解泊松方程得到重建的图像。由于对图像边缘作了特殊处理,从而避免在图像缩放过程中丢失边缘信息。该方法可以同时保持特征以及增加图像的对比度,从而更好地展现图像的细节。实验结果表明,本文方法能应用于一般图像和医学图像的缩放和增强等应用中。     

多水平外区抑制的轮廓检测

提取自然图像中的物体轮廓是机器视觉研究的重要问题,主要困难在于自然图像中的纹理性边缘严重干扰了物体轮廓的提取。研究表明视皮层方位选择性神经元的非经典感受野机制使得人类视觉系统在处理自然图像时不仅能够抑制纹理性边缘,而且能够增强物体的轮廓。基于此人们提出多种仿生轮廓检测算法,但算法中被称为抑制水平的参量在取值较高时会漏检部分轮廓,而在其取值较低时又会引入过多的纹理性边缘。针对这一问题,提出多水平外区抑制轮廓检测算法,通过整合各级单水平外区抑制的检测信息,有效抑制了纹理性边缘和降低了漏检轮廓的可能性。实验结果表明,相对于传统算法,新算法在轮廓检测性能上提高了10%左右,并具有更好的稳健性。