基于能量预警和分簇的ZigBee网络路由协议研究

针对传统ZigBee路由算法存在RREQ分组洪泛、能耗过高和通信效率低等问题,本文 引入能量预警机制,设计一种优化的分簇路由算法。算法吸取Cluster-Tree和AODVjr的优点,设置 节点能量预警等级,优化路由选择机制,适时启动备用节点,有效避免关键节点过早死亡,降低网 络分割风险。仿真结果表明,该算法可提高网络通信效率,均衡网络能量,延长网络运行周期。     

一种增强的3D人脸替换方法

针对3D人脸重建方法在贴图时忽视对纹理处理的设计,仅进行仿射变换和插值,其中仿射变换会导致其生成图像的高频分量遭到损坏,尤其是给出嘴部姿态不同的源、目标人像时,会造成人像的嘴部纹理缺失,而插值方法会造成灰度不连续现象;提出一种增强的3D人脸替换方法,称为基于生成-重建的人脸替换(generative reconstructed face swap, GRFS)。GRFS将对抗生成网络应用于对3D人脸替换结果的纹理修复,包括两个子网络：嘴部修复网络(mouth restoration network, MRN)以及局部修复生成网络(generative local restoration network, GLRN)。MRN用于修复人像的嘴部细节,GLRN用于修复3D人脸重建过程中损坏的高频分量,并使得异常的不连续灰度变得光滑。实验结果表明,GRFS可以在给定单对源、目标人像的情况下生成逼真的人脸替换结果,且在不同实验环境下的表现好于主流人脸替换算法。     

基于分裂基FFT的L1辅助L2C双频GPS信号快速捕获

室外无人搬运车(automatic guided vehicle, AGV)运输和未来的无人驾驶智能汽车等对全球定位系统(global positioning system, GPS)高精度定位精度要求较高,GPS L1/L2C双频信号可以校正电离层误差从而提高GPS单机的定位精度。但L2C 民用中码/民用长码(civil moderate/civil long code, CM/CL)的长度远大于L1 粗捕获码(coarse/acquisition code, C/A),传统的捕获算法直接用于L2C信号会使捕获时间延长甚至导致捕获失效。对此,提出了利用捕获到的L1信号的多普勒频移和C/A码相位对L2 CM码进行辅助捕获,然后利用CM码码相位对CL码进行辅助捕获的方法,减小了L2C信号捕获的二维搜索范围;同时在相关运算中利用分裂基快速傅里叶变换(split radix fast Fourier transform, SFFT)代替传统的基2 FFT进一步降低了计算量。仿真结果表明,所提算法在运算量明显降低的情况下可以实现对L1/L2C双频信号的精确捕获。     

基于深度降噪自编码网络的监测数据修复方法

针对大规模监测系统中经常出现的监测点失效、数据异常等问题,提出基于深度降噪自编码网络的监测数据修复方法。首先,通过堆叠降噪自编码构造深度降噪自编码网络来提取监测点之间隐含的深层关联关系,进而,基于这种深层关联关系训练一种支持向量回归模型以预测待修复的监测数据。在某机场噪声实测数据上的实验表明,通过深度降噪自编码网络学到的深层关联关系能够有效地重构噪声监测数据;相比传统数据修复方法,所提出的数据修复方法具有更好的鲁棒性,数据的修复具有更高的精度。     

基于量子云模型演化的最小属性约简增强算法

为提高决策表中最小属性约简的效率、稳定性和鲁棒性,基于云模型在非规范知识定性、定量表示及其相互转换过程中的优良特征对量子进化算法进行算子设计,提出了一种基于量子云模型演化的最小属性约简增强算法(QCMEARE).该算法采用量子基因云对进化种群进行编码,基于约简属性熵权逆向云进行量子旋转门自适应调整,使其在定性知识指导下能够自适应控制属性约简空间搜索范围,并采用量子云变异和云纠缠操作算子较好地避免了在属性演化约简中易陷入局部最优和早熟收敛等问题,使算法快速搜索到全局最优属性约简集.仿真实验表明,提出的最小属性约简增强算法具有收敛速度快、约简精度高和稳定性强等优点.     

一种求解属性约简优化的协同粒子群算法

针对粗糙属性约简优化问题,利用粒子群寻求最优解的优势,提出一种改进的粗糙集属性约简优化的协同粒子群算法(AR-CPSO)。在最优属性寻求过程中,该算法使粒子群在属性空间通过约简集向量的分解和邻域簇的协同学习提高其寻优能力,并利用自适应约束强化罚函数较好地收敛到最优目标属性约简集。该算法能始终保持种群的多样性、协作性,并避免过早地陷入局部最优。相关仿真实验表明,AR-CPSO算法能有效地找到全局最优属性约简集,具有较强的属性协同约简优化性能。     

单实例分类算法研究

针对不平衡分类问题的极端情况,即用于训练的样本极少甚至只有一个实例,该文提出了一种单实例分类算法,这种方法使用球面作为分类面,在目标类的单实例在球内和反类尽量位于球面外的约束条件下,最大化该分类球面的半径,该方法能够有效地处理线性可分的数据分布.当输入样本分布结构呈高度非线性时,该算法通过核映射将低维输入空间中的非线性可分问题变换为高维特征空间中可能的线性可分问题,并以内积形式刻画,最终在特征空间上通过核技巧获得原问题的解决.通过对标准数据集和实际数据集的实验,验证了单实例分类算法在处理数据不平衡问题上的有效性.     

具有概念漂移的P2P网络流量识别研究

针对P2P网络流量产生过程中存在概念漂移现象,提出具有概念漂移检测功能的多分类器动态集成流量识别方案。该方案包括概念漂移检测和分类器动态集成两大模块,由卡方统计推断原理实现概念漂移检测模块功能,采用基分类器的性能优先淘汰策略进行动态集成解决流量概念漂移发生后的识别问题。在以贝叶斯分类器、支持向量机、决策树作为基分类器,针对不同集成规模、数据块大小进行仿真实验,结果证明方案是可行的,模型的识别准确率达到82%以上。     

基于扩展粗糙集模型的近似概念格规则挖掘研究

粗糙集和概念格是两种不同的知识发现和数据挖掘有效工具,已被广泛应用于许多领域.在对粗糙集和概念格基本理论研究基础上,提出了利用扩展粗糙集模型对概念格近似使其得以改进,即在概念格中引入β-多数蕴涵关系实现概念格中结点近似合并以及近似概念格(ACL)的构建,由此提出概念格粗糙近似和规则挖掘算法(LCBA).最后通过UCI机器学习数据库相关测试表明该算法的可行性和有效性.     

一种新的基于区域生长的彩色图像分割算法

为克服一般区域生长算法对初始种子点选择以及生长顺序鲁棒性较差的问题,提出了一种鲁棒于生长顺序的彩色图像区域生长算法.首先计算所有像素点的局部颜色直方图以及领域相似性指标(neighbor similarity factor,NSF);其次通过NSF值建立种子的选取准则、种子的生长准则以及生长的终止准则,对图像进行初分割;最后对未分类点进行重新分类得到最终分割结果。通过与JSEG算法比较发现,该算法在运算时间以及分割准确性具有明显优势。