Novel Node Structures for IP over WDM Networks

IP over WDM is being envisioned as one of the most attractive architectures for the next generation Internet. This paper introduces two novel backbone node structures for IP over WDM networks. These node structures can be used as improvement approaches to DPDP (default path and dedicated path) method. The flow classifiers, which are the main components of these node structures, and the performance metrics of these structures, are also discussed.     

IP波长路由器的设计研究

将IP路由器和光交叉连接器集成在一起构成一种新的节点结构,由这种节点所组成的网络成为一种很有吸引力的下一代光互联网结构。IP波长路由技术就是基于这种网络结构而提出的,它包含了GMPLS（广义多协议标记交换）交换和转发序列中的两种粒度：分组和波长。研究了IP波长路由器的设计问题。首先分析了有关文献中给出的一种节点结构所存在的问题和局限,然后提出一种新型节点结构以解决这些问题。另外,将IP交换的两个协议IFMP (Ipsilon数据流管理协议）和GSMP（通用交换机管理协议）进行适当扩展,用来支持IP波长路由网络。最后对IP波长路由器的主要模块--流分类器的选择以及IP波长路由器性能参量的确定进行了讨论。     

光网络保护的优先级模型

本文研究了光网络的生存性问题,提出了光网络M∶N保护的两种优先排队模型,给出了相关的信令协议,通过仿真验证了模型的正确性.此模型可用于基于优先级的M∶N保护设计,有助于保护通道数的选取,从而确保一定的可靠性要求,同时避免过度配置而造成资源浪费.     

1.3μm—ELED单模光纤用户环路系统带宽能力分析

该文提出在用户环路中采用１．３μｍ－ＥＬＥＤ单模光纤传输系统的观点，对侧面发光二极管的光谱特性，辐射特性等进行研究，建立了分析１．３μｍ－ＥＬＥＤ单模光纤系统系统带宽能力的简化理论模型，其计算结果与有关文献给出的结论具有很好的一致性。并讨论了此类系统用于用户环路中的可行性与优越性。     

自相似业务量下网络的排队性能分析

在研究通信网的网络性能、流量控制和资源配置时,业务源模型是其中一个十分重要的组成部分。近年来的研究发现数据网络中的业务量呈自相似特征,传统的能够精确描述电话网络的马尔可夫模型不再适用。业务量的自相似特征显著影响网络的流量控制与排队分析,已经引起人们的极大重视。采用G/M/1排队模型对分组长度可变的网络的排队性能进行了分析和仿真,其中自相似业务量是通过叠加大量独立的到达间隔为Pareto重尾分布的ON/OFF源来生成的。仿真结果表明,自相似业务量导致网络的排队性能劣化,这与有关文献对ATM交换的分析结果一致。     

基于MFOA算法的SVM模型在信用风险评估中的应用

P2P网贷行业借助于互联网技术,得到了急速地发展,其中的个人信用风险评估也变得更加重要.为提高信用风险评估的准确性,基于SVM建立一套信用风险评估模型.然而SVM模型的性能很大程度上取决于惩罚因子以及核函数的参数,因此需要对SVM的参数进行优化.采用基于改进的多种群果蝇优化算法对支持向量机的参数进行优化选择并在真实的P2P信贷数据上进行实验.通过与几种常见的群智能算法的优化效果如遗传算法,蚁群算法,粒子群算法等进行对比,结果表明,使用多种群果蝇优化算法的SVM模型具有评估准确率更高等优点.     

基于原型网络的小样本脑电伪迹检测方法

正常脑电信号由于容易受到多种脑电伪迹的干扰而导致信噪比低，为了提高脑电信号的信噪比，使用一种基于度量的小样本学习模型来检测脑电信号中的伪迹，提出了一种基于原型网络的脑电伪迹识别模型(EEG Artifact Prototype Network，EAPNet)。该模型能够学习一个从EEG特征到目标空间的非线性映射，然后计算每个类原型表示的距离，并按此距离进行分类; 仅需较少数量的数据样本进行训练，就能实现对伪迹的准确识别。最后，在公开的脑电伪迹数据集TUAR(TUH EEG Artifact Corpus)中进行了伪迹识别实验，并将EAPNet模型与2个深度学习模型(EEGNet、全连接神经网络(FNN))及7个机器学习模型(高斯贝叶斯模型(Gaussian NB)、随机森林模型(RF)、逻辑回归模型(LR)、套索回归模型(Lasso)、支持向量机模型(SVM)、岭回归模型(Ridge)和最近邻算法(KNN))进行了对比实验。实验结果显示:(1)EAPNet模型是一种高效的伪迹检测方法:在2-way 1-shot、2-way 5-shot、2-way 10-shot任务中，模型的检测准确率分别为69.44%、77.21%、80.01%。(2)在所有对比模型中，EAPNet模型的识别准确率最高。