自组织网络洪泛方式的一种改进算法

自组织网络路由协议的研究一直是无线网络的研究热点之一.而以洪泛方式的广播算法无疑比较适合于节点不断移动的自组织网络.但是传统的洪泛算法容易引起路由风暴的问题.本文基于小世纪现象,在保证路由成功率的前提下,将洪泛报文控制在一定的范围之内,从而减少控制报文的数量.仿真结果显示,改进后的洪泛算法具有较低的路由负载和能量消耗.     

基于深度卷积神经网络的肺结节检测与识别

应用卷积神经网络将肺结节从含有背景、噪声的胸腔区域里检测并识别出来。首先,对图像进行预处理,获得肺实质图像。然后,应用Faster R-CNN多特征融合算法检测肺结节候选区域,再利用多角度特征融合方法滤除假阳性结节。接着,通过数据增强法、残差学习法、优化初始参数等对卷积神经网络的性能进行优化。最后,应用迁移学习方法对数据集进行训练,得出最终的检测结果。抽取LIDC数据集中含有肺结节图像数据,检测并识别肺结节的准确率达到98. 1%。实验结果表明,该算法优于其他3类算法,实现了肺结节的精确检测和识别,在保证检测和识别出正确结节的前提下,降低了过拟合率及训练时间,提高了算法效率,研究成果为早期肺癌的诊断提供参考依据。     

基于优化博弈算法在WMN信道分配中的应用

针对无线Mesh网在资源分配公平性方面存在的不足,提出了一种基于损耗因子动态优化权重的博弈算法,算法将博弈论融合在无线Mesh网的信道分配问题中,把节点间的竞争看作博弈参与者,采取博弈策略来竞争信道资源.针对信道分配过程中存在的损耗,引入损耗因子来动态更新博弈权重,使博弈能够按需索取,达到信道公平分配的目的.实验结果表明,改进算法使得网络吞吐量有所提升,并且保证了信道分配的相对公平.     

基于分布式算法在WSN中的能耗最小化优化研究

如何有效利用节点能量并延长网络的生存期是研究无线传感器网络的一个核心问题.在已有的集中式算法的基础上,提出了一种分布式优化的方法,使无线传感网络中无损数据收集时的能量消耗最小化,此方法主要是通过将传输功率和压缩传输速率进行合理的配置来实现,运用拉格朗日对偶分解法,可以把能量最小化这个问题分解为能够被传感节点本身分布式解决的子问题.通过仿真结果可得,分布式算法相比集中式算法能使目标函数更快收敛从而达到能耗最小化.     

无线网络中基于信道速率和传输功率的MAC性能优化

目前多种无线传输标准均支持多速率的数据传送,通过对信道状况的估算设置合适的数据传输速率,有利于网络性能的优化。同时,调整无线网络中节点的发射功率可以间接改变物理载波侦听范围,从而提高网络的空间复用。本文提出了一种基于信道速率和传输功率自适应调整的PRA算法（Power and Rate Adaptation）,该算法的基本思想是发送节点根据通信距离保守计算起始速率,并根据成功和失败的状况调整传输速率和发送功率,从而有效改善介质访问控制协议的性能。仿真结果表明,该机制可以使节点在通信过程中自动调整到较高的信道速率和合适的发送功率范围,提高了网络吞吐量,降低了功耗,同时改善了公平性。     

基于风格解耦和自适应层实例归一化的图像翻译方法

针对当前无监督图像翻译方法在翻译过程中存在着图像内容变化过大、目标图像域风格传递不佳而导致生成的图像质量较低、多样性较差等问题,提出一种基于风格解耦和自适应层实例归一化的图像翻译方法.首先,采用基于解耦表示的自编码器作为模型的生成器,共享内容编码器来增强图像翻译的内容一致性;其次,在解码器中实现自适应层实例归一化运算,可以自适应地改变图像的风格,以改善风格传递的效果;再次,将随机风格编码融合至损失函数中,使得设计的模型具有生成随机风格图像的能力,来提升生成图像的多样性;最后,设计并实现了该方法,并在多个数据集上进行验证和分析.实验验证表明,与现有的无监督图像翻译方法相比,所研究的方法生成的图像质量较高,多样性较好.     

面向VANETs改进的GPSR路由算法

针对车载网络GPSR的路由空洞问题,分析了现有策略的不足。为此,提出改进的GPSR。在改进的GPSR中,当节点已达到局部优化,即贪婪算法无法传递数据包,就利用邻居节点竞争方式转发数据包,并基于邻居节点的权值,选取最优的下一跳节点。仿真结果表明,改进的GPSR在数据传输率、端到端传输时延、路由长度方面均有较好的性能。     

一种改进的AODV路由协议安全性方案

针对AODV路由协议的几种攻击方案和解决方案进行了分析与比较,提出了用k跳加密/解密法改进AODV路由协议的安全性,其原理简单,负载较轻,适合Ad hoc网络的运行特点.     

基于节点影响力的移动机会网络网关选择算法

移动机会网络中,为使用户快速从因特网获取数据,需要选择某些合适节点担任网关。研究了移动机会网络网关选择问题。提出了两种基于节点影响力的网关选择算法:LRGS和CRGS。实验结果证明,两种基于节点影响力的网关选择算法较之随机选择算法均可使性能得到改善;当网络规模较小时,CRGS性能更优;当网络规模较大时,LRGS的性能更优。同时,所提出的两种算法均有较好的可扩展性。     

基于迁移学习的卷积神经网络电网故障诊断

电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取。为提高配电网的故障诊断准确性,本文提出将迁移学习的思想与卷积神经网络（Convolutional Neural Networks,CNN）相结合,以此来解决目标域样本不足导致训练效果差的问题,同时利用主成分分析（principal component analysis,PCA）对时序数据进行降维,提升运行速率,形成配电网故障诊断方法。首先对PCA和CNN的结构特点进行分析;然后通过仿真模拟不同的故障条件,生成面向CNN的时序数据。再通过最大均值差异法（MMD）选择出最适合迁移的源域数据,建立源域故障识别的预训练模型。最后使用目标域数据,在预训练模型的基础上进行迁移微调训练,得到故障诊断模型。仿真结果表明,该方法能够在小样本的情况下迅速完成对故障类型的精准预测。