基于品质度量的移动自组织网络安全分簇算法

为解决移动自组织网络中分簇存在的恶意簇首和簇首不稳定问题,通过在簇首选择中引入节点品质度量模型和分布式TA选择机制,提出了一种移动自组织网络安全分簇算法。该算法能生成适应不同通信模式、通信距离和移动速度的稳定簇结构,保持可信权威机构TA成员的相对稳定性。仿真分析表明：SCAQM能抵御外部恶意节点的入侵和内部合谋节点的威胁。相比其他分簇算法,SCAQM能有效抑制节点的恶意行为,以较小的算法控制开销生成更稳定的分簇结构。     

具时滞细胞神经网络周期解的全局渐近稳定性

讨论一类具时滞细胞神经网络周期解的全局渐近稳定性.通过构造合适的Lyapunov泛函及应用Barbalat引理,得到了具时滞细胞神经网络周期解的全局渐近稳定性的新的充分条件.最后通过数值算例及仿真证明了所得结论的有效性.     

一类具变时滞细胞神经网络的全局渐近稳定性

讨论一类具变时滞细胞神经网络平衡点的唯一性和全局渐近稳定性,利用矩阵不等式,通过构造合适的Lyapunov泛函,得到了具变时滞细胞神经网络全局渐近稳定性的新的充分条件．     

复杂背景中条码图像识别关键算法的研究

研究了复杂背景图片中条码的定位及识别技术.通过特征提取、形态学的方法在低分辨率图像中对条码进行粗定位,以粗定位的结果为研究对象,采用边缘提取及灰度投影的方法对条码进行精确定位.提出了一种新的二值化算法,算法利用条码的固有特征得到图像的全局信息,利用全局与局部相结合的方法获取子图像块的最优阈值.实验结果表明,本文算法能有效地去除复杂背景对条码识别的影响,且算法具有较低的复杂度,能在嵌入式平台上实时运行.     

基于流中前 5 个包的在线流量分类特征

针对在线流量分类所面临的特征计算复杂和分类性能不稳定问题,利用流开始的前 5 个数据包（排除三次握手数据包）,计算数据包大小、负载大小和到达间隔时间等网络流量的统计特征,通过分析 3 种机器学习算法（C4. 5、BayesNet 和NBTree）分类的结果,研究可用于在线流量分类的特征以及这些特征应该满足的条件。实验结果表明,所提特征计算简单,能快速有效地区分不同的流量,对于不同的机器学习算法,均取得了较高的分类准确率（92%以上）,适用于在线流量分类。     

基于SBN模型的Internet应用协议识别方法

针对网络流量协议标注比较困难的问题,提出一种基于贝叶斯网络的半监督学习模型,以提高Inter-net协议的识别精度.该模型首先使用少量的标注样本训练贝叶斯网络分类模型,并对未标注样本进行初始分类,然后从未标注样本中挑选分类损失最小的样本加入到训练集中并重复训练分类模型,经过多次循环训练出最终的分类器.该模型可以使用未标注样本和标注样本共同训练分类模型,非常适合于标注比较困难的Internet应用协议的识别.实验结果表明：在标注样本较少的情况下,该模型的识别精度和稳定性均优于朴素贝叶斯模型和贝叶斯网络模型,对于提高Internet协议的识别精度是有效的.     

异构分组无线传感器网络密钥管理机制

针对异构分组无线传感器网络结构和应用特点,在加密通信中使用组密钥和对密钥.组密钥使用基于双向散列链自愈组密钥分发方法按会话进行更新.网络中有直接通信需求的节点间都以双线性对方式建立对密钥.对密钥与组密钥相结合,以非交互方式按会话进行更新.分析表明：方案支持节点插入和撤销,安全高效,资源开销合理,适用于无线传感器集中式管理网络.     

认知无线电网络中保证服务质量的优化路由协议

基于路由与频谱管理的依赖关系,提出了一种频谱自觉地满足不同业务服务质量需求的优化路由协议.首先建立网络模型和优化分析,定义了链路度量和路径度量指标,路由协议选择端到端时延最小的路径,最大化网络吞吐量.然后提出了子频段和路径联合优化选择算法,对实时业务优先选择带宽抖动小和切换时延小的子频段及下一跳;对尽力传递业务优先选择带宽大的子频段及下一跳.最后提出频谱自觉的路由维护,通过局部频谱调整算法稳定路径不变,保证业务服务质量.仿真结果表明：该路由协议能满足业务服务质量需求,优化网络资源使用,减少数据包丢失,提高网络吞吐量.     

基于距离和分布的无线传感器网络分簇算法

考虑随机分布节点的剩余能量以及节点相对基站的位置,针对基站位置的非均匀无线传感器网络,提出了一种基于节点位置和分布密度的多跳自组织分簇算法．该算法在分簇准备阶段,根据节点分布密度和相对基站的距离确定分簇的半径,均衡分簇能耗;在簇头选举阶段,利用节点的剩余能量和节点连接密度信息,选择最优的节点成为簇头;在分簇建立阶段,限制分簇跳数,有效降低簇内通信量．通过一系列的仿真实验,验证了算法在节点均匀和非均匀分布情况下均能取得较好的性能,建立更为均衡的分簇结构,显著提高网络生存周期．     

基于计算机视觉的水位检测算法

鉴于传统的水位读数方法误差大,成本高,需要一种精确、实时、鲁棒的智能水位检测算法来高效读取水位,为此提出了一种基于计算机视觉的水位检测算法以满足实际需求。首先对拍摄到的图像进行预处理和边缘检测以找出水尺位置,并通过仿射变换对水尺进行矫正。通过两种策略在水尺区域找到水尺关键字的位置,即关键字处理。然后对边缘特征进行投影并检测出水面位置。最后根据关键字处理结果和边缘特征计算得到水面高度。大量实验和实地测试的结果表明：所提算法在基于计算机视觉的水位检测、水尺读数等领域具有理论和应用的双重价值。