车载自组网中基于滑动窗口的网络编码传输策略

由于节点的高速移动和拓扑的快速变化,使得在车载自组网中传输时延敏感的数据是一个很大的挑战。针对此问题,提出了一种在机会路由上使用基于滑动窗口的网络编码传输策略。该策略根据网络状态自适应地调整滑动窗口的大小,来编码不同长度的编码包,去容忍ACK的延迟,使得在各种网络条件下都能保持较高的吞吐率;使用下三角形式的渐进编码使接收端逐步解码,从而平滑接收端的解码时间间隔。仿真结果表明,该策略具有更高的吞吐率,同时能够在接收端形成时延抖动小的数据流,为车载自组网中流媒体等时延敏感的数据流传输提供更好的服务质量。     

QoS区分的无线通信仿生建模

为了实现动态网络环境下的自适应QoS区分服务,提出了QoS区分的无线通信仿生竞争模型,模型借用LV(Lotka-Volterra)生物竞争模型的思想,建立生态系统与无线网络之间的映射关系,同时结合IEEE 802.11e协议设置不同优先级,并将模型瞬时输出值和稳态输出值作为各数据流的发送速率.与传统的QoS区分服务机制EDCA相比,显著提高了网络系统自适应性和快速收敛性,对突发数据流具有很强的抗扰动性,同时有效改善了数据传输友好性,避免了网络拥塞.     

多任务学习的车辆结构化信息提取方法

目前, 大部分的车辆结构化信息需要通过多个步骤进行提取, 存在模型训练繁琐、各步骤模型训练数据有限和过程误差累加等问题. 为此, 采用多任务学习将车辆结构化信息提取整合在统一的神经网络之中, 通过共享特征提取结构, 减少过程误差累加, 并构建了一个多任务损失函数用于端到端训练神经网络; 针对训练样本有限的问题, 提出了新的数据整合和增广方法. 在KITTI数据集上实验结果表明, VSENet可以达到93.82%的mAP(均值平均精度), 且能达到实时的处理速度; 与多阶段的车辆结构化特征提取方法对比, 平均运行时间缩减了60%, 其精度能达到相似或者更好的效果; 实验结果表明, 该方法具有一定的先进性和有效性.     

基于近端强化学习的股价预测方法

股价预测一直是金融时间序列研究的热点和难点,采用一种合理有效的股价预测方法对于投资者获取高额收益回报及规避交易风险具有重要的指导意义.通过结合近端策略优化(proximal policy optimization, PPO)和强化学习(reinforcement learning, RL),将股价预测视为一个时间序列预测问题,提出一种近端强化学习的股价预测方法 (PPORL).此外,在预测方法的基础上引入股票的相对强弱性能和股票均线指标,提出一种能够自动捕捉潜在交易点的量化交易策略,期望在获取高额收益的同时降低交易过程中存在的风险.通过实验对比了长短期记忆网络(long short-term memory, LSTM)和循环神经网络(recurrent neural network, RNN)模型在上证指数(SZZS)、深证成指(SZCZ)和沪深300指数(HS300)上的预测性能和交易决策表现,并利用多种误差评估方法对预测结果进行定量分析,从而验证了PPORL在预测性能和交易决策等方面的有效性和鲁棒性.     

面向QoS区分的自适应状态转移概率动态更新算法

为了提高在大规模、重负载环境下IEEE 802.11e EDCF(Enhanced Distributed Coordination Function)机制的网络性能.引入了在信道空闲时退避计数器状态转移概率的概念,提出一种新的提高网络QoS(Quality of Service)的方法—根据当前网络状态,动态地调节不同优先级在信道空闲时退避计数器的状态转移概率.通过马尔科夫链数学模型验证了在饱和情况下所提算法的优越性,并推导出了状态转移概率的最优值,给出了实现此算法的基本流程和步骤.实验结果表明,此算法不仅保证了各种优先级业务之间的公平性,而且显著提高了网络吞吐量,同时降低了MAC层延时和丢包率.结果验证了在负载动态变化时,算法的自适应性和优越性.     

基于增强虚拟力的自适应多障碍区域最大覆盖算法

针对实际系统中节点与障碍物的随机分布,给出了网络覆盖率与节点移动距离的解析关系。针对有限节点密度和多类随机障碍物,提出自适应多障碍最大化覆盖算法(MOAMCA)。该算法通过节点间的动态协同移动机制,配置最理想的工作节点数和位置,实现网络的全覆盖和最小生成树连通。仿真结果表明,MOAMCA可以高效地实现适应任意多障碍物区域下任意节点密度的最大化网络覆盖配置。     

无线网络中基于流媒体传输的自适应TFRC机制

在无线网络高误码率的环境下, 经典TFRC机制会将无线误码丢包误认为拥塞丢包, 导致吞吐量过度降低. 针对无线网络实时流媒体业务的传输控制问题, 提出了一种改进型动态自适应TFRC机制(Adaptive-TFRC). 它在接收端利用丢包区分参数来真实反映网络的状态(即拥塞或者误码), 然后反馈至发送端, 同时对经典TFRC机制的吞吐量模型公式进行改进, 最终能够根据实时网络条件动态自适应地调节传输速率. 仿真结果表明, Adaptive-TFRC机制能够有效地提高网络吞吐量, 降低实时业务流的延时抖动, 同时能够进一步改善TCP业务的友好性传输, 从而保证无线网络实时流媒体的服务质量.     

一种面向HEVC的编码单元深度决策算法

新一代高性能视频编码(HEVC)标准采用灵活的四叉树自适应存储结构、可变尺寸的编码块、35种帧内预测模式等新技术,能够有效提升HEVC的编码效率,但也造成了更高的编码复杂度。为此,提出一种基于时空相关性的编码单元深度决策算法。融合关联帧编码单元的深度信息及当前帧相邻编码单元的深度信息,从而预测当前编码单元的深度范围。实验结果表明,与HEVC标准测试算法相比,该算法能在不明显影响编码质量的基础上平均减少30.2%的编码时间。     

不同调制机制下无线传感网收发器能耗优化模型*

针对无线传感网节点能量约束问题,提出单位比特数据传输能耗最小化模型。从物理层和硬件电路角度,建立收发器能耗模型,根据不同的调制机制,并考虑数据重传机制,提出了基于单位数据传输能耗最小化的最佳负载大小模型和最优通信距离模型。分析了在不同信号干扰、通信距离、负载大小、发射功率以及不同调制机制下的最优能耗值。实验结果进一步验证：当信号干扰强度较大时,短距离通信更有利于系统节能;随着通信距离的增加,最佳负载大小值趋于常量;采用自适应发射功率能明显降低数据传输能耗;随着通信距离或者干扰强度的增大,数据传输能耗以指数形式增加。     

HEVC快速编码深度选择算法

高效视频编码（High Efficiency Video Coding,HEVC）作为下一代新的视频编码标准,旨在有限网络带宽下传输高质量的网络视频。与现有的视频编码标准相比,高效视频编码具有更高的灵活性和压缩率。编码单元（Coding Unit,CU）是视频编码处理的基本单元,原有的算法通过四叉树递归获取最佳CU深度,在提高视频压缩性能的同时引入了较高的计算复杂度。针对该问题,提出了一种快速编码深度选择算法,该算法利用相邻CU的深度信息计算一个深度预测特征值,通过该特征值进行深度选择,以避免不必要的计算,降低计算复杂度。实验结果表明,该算法在保证视频压缩效果的同时有效降低了计算复杂度。