机会网络中基于节点社会性的数据转发策略

合理地选择代理节点是实现机会信息高效的转发和交付的关键问题。为了避免机会网络中,由于节点的移动性、交替活跃及网络拓扑动态变化等因素造成的传输限制,从社会网络与机会网络相结合的角度出发,提出了一种基于节点社会性的机会网络中的转发策略SNOP(data forwarding algorithm based on the sociality of node in opportunity network)。SNOP利用网络中的社团结构、社团间相似性及节点的社团活跃,有针对性地选择移动代理节点(agents),以离线的方式计算节点的社会性,在线完成转发,以此实现信息的高效和可靠交付。在真实数据集上的实验结果表明,与现有的转发算法相比,SNOP能够有效地提高信息交付的效率,降低端到端的传输延迟及网络开销。     

基于Attention和残差网络的非侵入式负荷监测

非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）可以从家庭电表的总功率读数,估算出各用电器的功率。由于对于同一类用电器,其状态种类、各状态持续时长、各状态的功率波形都不同,这使得基于特征工程和聚类的模型的泛化能力不强;回归模型的分解功率难以迅速跟踪真实功率。针对这些问题,文中将回归问题转化为在序列每个时刻的多分类问题,并提出基于Attention和残差网络的非侵入式负荷监测模型。该模型基于具有编码器和解码器的seq2seq框架,首先通过嵌入矩阵将高维稀疏one-hot向量映射为低维稠密向量;在编码部分,通过双向GRU从前后两个方向提取序列信息,引入Attention机制计算序列中当前时刻最重要的信息,引入残差连接学习残差部分输入输出之间的差异;在解码部分,用回归层组合BiGRU解码结果,取经过softmax函数处理的最大概率功率类别作为结果。该模型在选取REFIT数据集中表现良好,其中测试集与训练集完全独立,表明训练好的模型可以直接应用在新的住宅用户中。     

容忍延迟传感器网络中基于分簇的移动Sink动态路由算法

在无线传感器网络中使用移动Sink能有效延长网络寿命。提出一种在容忍延迟传感器网络中基于分簇的移动Sink动态路由算法MSDR（Mobile Sink Dynamic Routing）,移动Sink根据簇头位置构建遍历所有簇头的Hamilton回路,并沿着该路径收集数据。进一步提出基于标记的数据缓存机制,有效解决算法中每一轮之间的数据存储问题。仿真实验结果表明,MSDR算法使网络具有较长的生命周期,能有效平衡网络能耗。     

机会网络中具有节点意愿度的消息传输机制

如何充分利用各种资源作为移动代理节点实现信息有效交付和网络服务,是机会网络研究中的关键问题。以此为研究背景,针对现有的传输限制,及现有算法对真实网络的适应性等问题,结合节点社会属性,提出一种基于节点意愿度的机会网络中的消息传输机制WDMT。算法充分考虑相似性,节点活跃度,社团温度及朋友影响等社会因素,合理地选择移动代理。真实数据集上的实验结果表明,与现有算法相比,WDMT能够在保证消息交付成功率的同时,降低网络开销及端到端的传输时延。     

基于瞬时能量比的输电线路故障选相方案

提出了一种新的电力系统输电线路的故障选相方案。该方案首先构造了电流、电压信号的一种虚拟的瞬时能量;然后利用电流与电压的瞬时能量的比值构成瞬时能量比,作为故障选相的指标;最后将这些指标值与相应的阈值作比较完成故障选相。在PSCAD/EMTDC搭建了一个典型的双端供电的电力系统模型对所提出的方案进行仿真验证。仿真结果表明,所提出的故障选相方案能够在不同的故障电阻、故障位置和故障初始角等故障情况下正确地完成故障选相,并且具有响应速度快、抗高斯白噪声、抗高过渡电阻等优点。     

基于双层HHMM的产品评论特征和情感分类

近年来,中文产品评论的特征情感分类是Web数据挖掘的重要研究内容之一.提出了一套完整的产品命名实体、特征词、情感词以及边界的标注规则,设计了多层次的混合标签模式;提出了双层HHMM(层级隐马尔科夫模型)结构,将词形标注和词性标注的特点进行融合;提出了基于词形标注的HHMM-1算法和基于词性标注的HHMM-2算法,实现复杂短语的自动标注.实验证明,双层HHMM模型起到了互补的作用,模型的查全率和F-score值均有较大提高.     

基于知识蒸馏和半监督学习的非侵入式负荷分解

非侵入式负荷监测(non-intrusive load monitoring,NILM)中的负荷分解是一种将负荷总功率分解为各类负荷功率的技术;随着深度学习理论的发展,基于神经网络的负荷分解模型的误差逐渐降低,同时也带来了模型参数量大幅增加的问题.为了降低模型分解功率的误差,提出一种基于序列到序列(sequence t...     

基于形态小波范数熵和支持向量机的电能质量分类研究

针对电能质量信号分类存在实时性差、准确度低的问题,提出了一种基于HMT(hit or miss transform)小波范数熵(norm entropy,NE)和支持向量机(support vector machine,SVM)的电能质量扰动识别方法。根据HMT小波分解每一层能量不同的特点,取扰动信号的10层小波分解的范数熵组成特征矩阵。特征量起到了对扰动信号分形的作用,以此作为SVM的输入。为了提高分类的准确度,研究采用了粒子群算法(particle search optimization,PSO)对SVM参数进行了寻优,分类准确度达到99%左右。同时比较了HMT小波和传统db4小波分别和SVM结合时的准确度,证明了HMT小波的优势和本文特征量提取法的有效性。而对于含噪声的电能质量信号,采用了广义形态滤波器进行了滤波预处理。仿真结果表明,该方法识别准确率高,稳定性好,适用于电能质量扰动识别系统。     

基于S变换和长短期记忆网络的电能质量复合扰动识别

针对电能质量复合扰动的识别方法准确率较低、效率较慢、鲁棒性较差的问题,提出一种基于S变换和长短期记忆网络的混合方法,该方法能够高效准确地对电能质量复合扰动进行识别,并且鲁棒性高.S变换得到的二维模矩阵的行和列分别反映频域和时域特征,将模矩阵作为长短期记忆网络的输入.为了检验该混合方法的性能,首先对15种电能质量扰动信号...