一种新的Ad hoc网络多包接收算法

基于多相位调制实现信号分离的盲干扰消除方法,提出了一种新的Ad hoc网络多包接收算法。该算法采用判决反馈和信道估计机制降低了弱用户数据包恢复的误码率。实验结果证明,该算法不仅能够实现多包接收和多包分离,而且能够有效地改善整个网络的多包接收性能。     

Ad Hoc网络中的QoS-Aware多目标优化路由协议

对Ad hoc网络中的QoS保证进行研究,针对现有的QoS路由协议没有考虑节点负荷、节点碰撞等本地信息,提出了一个在Ad hoc网络中提供QoS的路由协议——QoS-Aware多目标优化路由协议(QMOR).该协议把QoS请求———带宽作为接入控制的参数,路由发现和路由维护算法是DSR协议的扩展,在目的节点利用多目标优化算法进行选路,算法的优化参数包括路径时延、缓冲区中已存包的长度和重传数目.通过仿真,结果显示了QMOR协议无论在静态网络和动态网络,都有比DSR协议更好的性能.     

移动Adhoc网络的体系结构和分簇算法

Ad hoc网络是一种多跳移动自组织网络,它需要特殊的体系结构来支持路由、管理和其他网络功能.首先介绍了Ad hoc网络的一些显著特点,然后详细分析了Ad hoc网络的体系结构.接着介绍了一种性能较好的分簇算法并讨论了簇维护机制和码字分配等问题.     

利用MIMO系统多包接收能力的Ad hoc网络MAC协议

传统的分布式Ad hoc 网络的单信道媒体接入控制(MAC)协议在同一时刻一跳范围内只能允许一对节点通信,导致网络的冲突严重、吞吐量小和接入时延较大.为此,文中利用MIMO系统的多包接收能力,设计了一种新的分布式Ad hoc网络MAC协议,该协议利用二进制退避和共享退避机制进行信道预约和共享,在单信道自由竞争的Ad hoc网络中实现了多点对点的通信,大幅度提高了网络吞吐量.文中还推导了该协议的网络归一化饱和吞吐量的数学模型.理论分析和仿真实验证明,新协议的网络吞吐量比利用分层空时编码(BLAST)的CSMA/CA(k)协议有了较大的提高.     

无线Ad hoc网路由性能影响因素分析及解决方案

通过搭建Ad hoc无线自组织网络实验平台进行多次室外测试。对接收信号功率强度的变化分析得出节点传输范围的变化特征及其对路由协议性能的影响。对分组投递率的测量得出Ad hoc网络投递率与节点间距离的关系。根据路由切换现象分析了Ad hoc网络运行过程中出现的路由不稳定现象的成因。最后给出了相应的解决方案。     

Ad hoc网络主动队列管理分析

针对无线网络特点,采用主动队列管理算法来控制无线瓶颈节点的队列长度,以期达到拥塞控制的目的.通过NS2仿真和对数据的分析比较,无线网络中间节点的拥塞控制是可行的,但并非所有的主动队列管理算法均适用于Ad hoe网络.与有线网络不同,RED算法不适用于Ad hoc网络的拥塞控制,其性能较去尾算法并无较大改善;REM算法在不同负栽下表现不同,随着负栽增加,其性能下降明显;PI算法在负栽变化时可以较好的控制Ad hoc节点队列长度.并将队列震荡控制在较小的范围.     

移动Ad hoc网络路由协议及其性能比较

由于Ad hoc网络自身的特殊性,其路由协议的设计与传统固定网络有很大不同.首先说明了Adhoc网络中提供高效路由算法的难点,然后讨论了Ad hoc网络中路由协议设计的几种策略,接着介绍了几种典型的Ad hoc路由协议,最后通过实验分析比较了4种路由协议的性能,并给出了结论.     

基于NS的Ad hoc网络路由协议性能仿真

Ad hoc无线网络是一组无线移动主机组成的一个没有任何基础设施或集中管理设备的临时网络。文中介绍了Ad hoc无线网络的路由协议，并利用网络仿真软件NS，对两种典型的路由协议AODV(Ad hoc on Demand Distance Vector Routing，Ad hoc网络的距离矢量路由算法)和DSR(Dynamic Source Routing，动态源路由协议)进行了仿真实验，并给出了结果。     

一种用于移动Ad hoc网络的自适应分布式权值分簇算法

利用分簇算法得到的分层结构可以提高移动Ad hoc网络性能.为有效解决Ad hoc网络簇结构的稳定性问题,在现有分簇算法基础上提出一种自适应分布式权值分簇算法.通过计算每个节点的移动性、平均邻居距离、节点度以及能量消耗4个因素的加权和而实现对随机分布节点自适应动态分簇,同时利用可用度优化簇内节点数.仿真结果表明,新分簇算法相对于已有的分簇算法具有更好的稳定性和负载均衡的优点.     

移动Ad hoc网络的一种负载均衡策略

提出了一种针对移动Ad hoc网络的负载均衡策略LBS（load balancing strategy）,该策略考虑了通信节点之间的多条路径、节点的媒介使用和负载情况以及路由的选取方法等因素.理论分析和实验仿真的结果都表明,LBS能够有效地均衡移动Ad hoc网络中的流量,提高整个网络的性能.     

基于强化学习的三维游戏控制算法

基于强化学习,设计了一个面向三维第一人称射击游戏(DOOM)的智能体,该智能体可在游戏环境下移动、射击敌人、收集物品等.本文算法结合深度学习的目标识别算法Faster RCNN与Deep Q-Networks(DQN)算法,可将DQN算法的搜索空间大大减小,从而极大提升本文算法的训练效率.在虚拟游戏平台(ViZDoom)的两个场景下(Defend_the_center和Health_gathering)进行实验,将本文算法与最新的三维射击游戏智能体算法进行比较,结果表明本文算法可以用更少的迭代次数实现更优的训练结果.     

一类神经网络多层感知器的硬件实现方法

提出了一种新的神经网络多层感知器硬件实现方法——信号传播路径动态选择．给出了隐节点个数的确定规则和网络的训练算法，并从理论上给予了证明．结果表明，该算法能一次确定权值，而且所确定的权值均为逻辑值，从而可以用逻辑门电路全硬件实现多层感知器     

特征空间中的拓展稀疏人脸识别

基于稀疏表示分类（SRC,sparse representation for classification）是近年来模式识别领域中备受关注的一个研究热点。当每类训练样本较少时,SRC的识别效果往往不理想。为解决此问题,人们提出了拓展的稀疏表示分类算法。它引入了训练样本的类内变量矩阵,来补充每类训练样本信息。但是,该方法很难获取普遍存在于复杂数据如图像中的非线性信息。为此,提出了特征空间中的拓展稀疏人脸识别算法。该算法将样本集非线性映射到新的特征空间中,计算每个训练样本在表示测试样本时所做的贡献。根据贡献大小,给每个训练样本赋予一定的权重。同时,利用类内变量矩阵,共同表示测试样本。实验表明所提出的算法优于其它经典稀疏表示分类算法。     

一种基于RBF神经网络预测模型的DMC预测控制

研究了一种利用RBF神经网络预测模型的动态矩阵控制算法,首先利用动态节点生成构造性RBF神经网络辨识对象模型,同时预测对象的未来输出,然后用传统的动态矩阵控制算法进行滚动优化和反馈校正。仿真表明该算法在非线性对象的任意工作点都可以通过神经网络辨识获得工作点附近的近似线性模型,具有较好的实时性。     

一种改进的深度卷积神经网络图像去噪算法

为了更好地去除图像中的噪声,提出了一种改进的深度卷积神经网络(Dncnn)图像去噪算法。针对现有的Dncnn网络参数量大,对Dncnn网络的第2～16层进行了改进,使网络参数量降低1/3后,仍能保持和Dncnn一样的训练效果。在此基础上,对网络底层的低级语义信息和高层的高级语义信息进行了特征融合,使得网络训练更平稳,并能达到更好的训练效果。实验结果表明无论与图像去噪领域公认最好的去噪算法BM3D相比,还是与深度学习领域先进的图像去噪算法Dncnn相比,改进的Dncnn都有更好的表现。     

基于LSTM的钓鱼邮件检测系统

提出了一种基于LSTM的钓鱼邮件检测方式.该方式主要由两部分构成:分别为数据扩充部分及模型训练部分.数据扩展部分中,通过KNN与K-means算法扩大训练数据集,保证数据的数量能够满足深度学习算法的需要.在模型训练部分中,通过对数据进行预处理并将其转化为词向量矩阵,最后将转化完词向量通过训练得到LSTM神经网络模型.最终,可以根据训练好的LSTM模型将邮件分为正常邮件以及钓鱼邮件.通过实验对提出的算法进行了评估,实验结果显示提出的算法准确率可以达到95%.      

一种基于主成分分析的稀疏数据模式分类隐私保护算法

 模式分类过程涉及到对原始训练样本的学习,容易导致用户隐私的泄露。为了避免模式分类过程中的隐私泄露,同时又不影响模式分类算法的性能,提出一种基于主成分分析（PCA）的模式分类隐私保护算法。该算法利用PCA 提取原始训练数据的主成分,并将原始训练样本集合转化为主成分的新样本集合,然后利用新样本集合进行分类学习。选用Adult 数据集和KDDCUP 99 数据集进行仿真实验,并采用正确率和召回率进行性能评价,结果表明,该隐私保护算法通过PCA 提取原始数据特征属性的主成分,可避免原始属性的泄露,同时PCA 在一定程度上可实现去噪,从而使分类器的分类性能优于原始数据集的分类性能。与已有算法比较,该隐私保护算法具有更好的模式分类精度和隐私保护性能。     

自适应阈值AdaBoost.RT算法及其在轴承剩余寿命预测中的应用

针对自适应增强回归阈值(adaptive boosting regression threshold, AdaBoost.RT)算法用于判断训练样本好坏的阈值为常数,不能自适应地对每个测试样本动态调整判断标准的问题,提出了一种动态自适应调整阈值的改进AdaBoost.RT算法。通过引入训练结果的均值与标准差构造奇异系数作为判断相对误差的阈值,实现算法训练计算过程中阈值的自适应调整,在提高预测精度的同时,可以减少选择算法参数带来的繁重工作量。采用4组经典测试函数构造不同规模的训练样本数据进行算法检验,实验结果表明,提出的自适应调整阈值算法可以有效利用测试样本之间的差异性,克服了大噪声数据带来的干扰,改进后的集成算法可以改善回归模型的预测效果,提高模型的泛化性能。利用IEEE PHM 2012数据集验证所提方法的有效性,并与极限学习机(extreme learning machine, ELM)和原始AdaBoost.RT算法进行对比分析。结果表明：采用所提方法获得的轴承寿命预测均方根误差降低了5.18%,决定系数提高了3.11%。     

一种基于聚类和AdaBoost的自适应集成算法

为同时保证基分类器的准确性和差异性, 提出一种基于聚类和AdaBoost的自适应集成算法. 首先利用聚类算法将训练样本分成多个类簇; 然后分别在每个类簇上进行AdaBoost训练并得到一组分类器; 最后按加权投票策略进行分类器的集成. 每个分类器的权重是自适应的, 且为基于测试样本与每个类簇的相似性及分类器对此测试样本的分类置信度计算得到. 实验结果表明, 与AdaBoost,Bagging(bootstrap aggregating)和随机森林等代表性集成算法相比, 该算法可取得更高的分类精度.     

基于梯度监督学习的理论与应用(Ⅱ)——训练机制

基于梯度算法和前馈网络所具有的普遍近似性质，提出了一种新的监督型多目标系统化训练机制。在学习过程的实现中，该训练机制一方面能使参数集合选择适当以避免过适应，另一方面能以较少的计算及存储复杂度使网络输出达到所要的精度，保证网络具有满意的可检验性和通用性。新的算法（ＰＴＮＴ）能够在一个过程里同时考虑神经网络训练的几个方面，并且在训练时间和准确度方面也都优于ＢＰ算法及其衍生算法。ＰＴＮＴ算法具有类似于ＬＭ算法的收敛性，但存储复杂度远远少于ＬＭ的一半。文中通过仿真结果证明这种监督训练机制和前馈网络在不同问题环境下的适用性，评价了其有效性。