基于深度学习的建筑物识别

针对随着城市化的快速发展,城市与城市间的辨识度越来越弱,城市地标的概念越来越热门这一现象,提出了一种基于深度学习的建筑物识别方法;使用改进的Faster R-CNN算法作为训练模型,首先,将需要识别的图片输入深度神经网络,提取出特征框图;然后,模型通过区域建议网络预测目标建筑物所在位置的区域建议,并将这些区域建议映射到特征框图上,RoI Pooling层将这些区域建议转换成固定大小的特征框图;最后使用非极大值抑制从预测边界框中移除相似的结果,得到预测边界框以及边框中目标建筑物的类别和概率;实验结果表明:在训练数据集充足的条件下,使用此方法对地标建筑物的识别率能达到90. 8%,通过与其他模型比较分析,该模型具有较好的识别效果。     

LLN中基于环路避免的高效路由修复算法

针对低功耗有损网络(low power and lossy networks, LLN)中现有路由修复算法存在控制开销冗余、修复时延较大和路由环路等问题,提出一种LLN中基于环路避免的高效路由修复算法(highly-efficient loop-free based repair routing protocol for LLN,HLR-RPL)。该算法提出了3个优化思路:首先,采用一种修正后的面向目的地的有向无循环图(destination oriented directed acyclic graph, DODAG)信息请求消息(DODAG information solicitation amend, DIS-A),使得链路中断通告过程和寻路过程同时进行;其次,提出一种减少控制消息回复机制,避免所有接收到DIS-A消息的节点均回复DODAG信息对象消息;最后,提出一种链路中断节点的子节点切换机制,从而优化了网络拓扑。仿真结果表明,HLR-RPL算法在控制开销和路由修复时延等性能方面优于现有的路由修复算法,且能够彻底避免路由环路的产生。     

基于散射区模型与参数聚类的室外NLOS单站定位算法

室外非视距(non line of sight， NLOS)环境中障碍物会阻碍终端电磁波信号直接传播到基站，而且该条件下单基站收集的定位信息不足，导致定位精度不高。针对上述问题，提出一种基于空间布局的散射区模型和基于参数聚类的定位算法。根据固定基站附近的空间布局确定散射区并构建散射区模型，该算法基于该模型收集多径信号的测量参数，将k-means聚类(k-means clustering)和均值漂移聚类(means shift clustering)算法有效结合对参数聚类处理，再根据聚类结果和单站定位系统的几何结构建立方程组，将方程组的求解问题转化为非线性优化问题并利用列文伯格-马夸尔特(Levenberg-Marquardt， LM)算法求解优化问题估计目标位置。仿真结果表明，在室外NLOS环境中，且仅提供单个基站的条件下，该算法可以有效提高定位结果的精度。     

一种基于稀疏重构的NB-IoT时延估计算法

针对传统的时延估计算法无法解决窄带物联网(narrowband internet of things， NB-IoT)低速率低功耗引起的估计精度低、计算复杂度高等问题，提出一种加入代价函数模型的基于稀疏重构的时延估计算法。利用窄带定位参考信号(narrowband positioning reference signal， NPRS)与传统的正交匹配追踪算法(orthogonal matching pursuit，OMP)进行时延值预估计，然后根据预估计的时延值构建冗余字典，在此基础上利用改进的OMP算法进一步对时延值进行估计。该算法中加入代价函数的思想将多维的时延估计降维成多个一维的时延估计，同时利用稀疏重构来消除各信号之间的干扰。另外，为了消除降维带来的局部最优的问题，合理设置软门限来有效并快速地终止代价函数模型的迭代过程。仿真结果表明，与OMP算法等传统时延估计算法相比，该算法具有更好的检测性能以及更高的时延估计精度。     

基于能量感知的传感网能量中性分簇路由协议

针对能量获取异构的无线传感器网络节点能量利用效率过低和网络无法保证持久运行问题，提出一种基于能量感知的能量中性分簇路由协议，该协议针对太阳能环境下节点获取能量异构的场景，将改进的天气条件移动加权平均算法引入能量收集预测过程，根据获取能量预测构建能量中性约束，在此约束下构建动态簇头集群机制和自适应时隙分配策略，保证了整个网络在能量获取下的持久运行，通过凸优化得到最优的网络分簇数量，最大化了网络数据吞吐量。通过模糊逻辑选择簇头节点，综合节点剩余能量，获取能量预测和节点相对位置等多种因素，提高了簇头选举的合理性。通过仿真分析，该协议能够保持能量获取下网络持久运行，在网络吞吐量和降低簇失败次数方面的性能具有明显优势。     

基于Sarsa学习的基站休眠策略研究

在异构Macro-femto蜂窝网络中，随着日益增长的用户数量使得基站能耗问题变得更加严峻，提升整个移动系统能效的有效方式就是进行基站休眠。根据无模型理论提出一种基于Sarsa学习的动态基站休眠算法，算法通过基站学习环境中的用户流量，制定合理的休眠机制。仿真结果表明，提出的基于Sarsa学习的基站休眠算法能够有效提升系统能效     

基于局部非线性地理加权回归模型的地表温度降尺度算法研究

地表温度(land surface temperature, LST)是反映地表状况的一个重要参数，能对地表-大气相互作用过程进行描述。由于受到卫星热红外传感器成像条件的制约，获取的卫星热红外遥感图像存在时间分辨率、空间分辨率难以兼顾的问题，导致反演的LST数据难以得到深入应用。采用LST降尺度算法可以解决此矛盾，获得高时空分辨率的地表温度数据。目前LST降尺度模型逐步由全局模型转向局部模型，但局部降尺度模型忽略了非线性关系。针对此问题，提出基于局部非线性地理加权回归(non-linear geographically weighted regression, NL-GWR)的地表温度降尺度算法。选择合适的研究区域，并分别选取归一化差异植被指数(normalized difference vegetation index, NDVI)、归一化差异建筑指数(normalized difference build-up index, NDBI)以及数字高程模型(digital elevation model, DEM)作为辅助参数进行LST降尺度，将中分辨率成像光谱仪(moderate resolution imaging spectroradiometer, MODIS)地表温度空间分辨率从1 000 m提升到100 m，并将基于地理加权回归(geographically weighted regression, GWR)与NL-GWR模型的降尺度结果进行对比分析。实验结果表明，考虑非线性关系的NL-GWR模型要优于GWR线性模型，能够获得较低的均方根误差(1.96 ℃)和平均绝对误差(1.63 ℃)。     

减小信道编码安全间隙的两次加扰方案

安全间隙是衡量安全信道编码保密性能的重要参数,目前相关研究主要考虑误比特率(bit error rate, BER)安全间隙,未考虑误字率(word error rate, WER)安全间隙。为同时减小安全信道编码BER和WER安全间隙,提出一种两次加扰方案。在发送端信道编码器前后各设置一个加扰器,相应在接收端信道译码器前后各设置解扰器,同时增大低信噪比区域的接收BER和WER,减小BER和WER安全间隙。对方案的差错概率进行了理论分析,并对信道编码采用BCH码时系统的性能进行了仿真。理论和仿真结果表明,相较于采用相同信道编码和外扰码器的方案,所提方案在减小WER安全间隙的同时也减小了BER安全间隙。