具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.     

基于拥塞控制的无线多媒体传感网地理位置路由协议

无线多媒体传感网络(wireless multimedia sensor network,WMSN)是一个能量受限的网络,能量问题直接影响到网络的生命期.如果知道目的节点的地理位置信息,路由请求(routing requests,RREQs)就可以减小包的转发范围,减少不必要的能量消耗.地理位置路由(location aided routing,LAR)基于该思想被提出.在LAR协议的基础上,利用媒体访问控制层(media access control,MAC)的拥塞信息,提出基于拥塞控制的LAR路由协议——ILAR(improved LAR).仿真结果表明,ILAR具有路由开销少、吞吐量大和包时延小的特点,适合作为WMSN的路由协议.     

基于天线高度的RSSI测距分析

无线通信中的天线发射功率、高度、角度和信号频率等因素对其接收信号强度(received signal strengthindication,RSSI)有很大的影响.通过大量的实验,分析探讨室内环境下天线高度对RSSI和测距精度的影响.实验结果证明,只要选择合适的天线高度,433 MHz无线信号用于室内测距是可行的.     

强窄带干扰存在时 IEEE 802.15.6 协议下的同步算法

脉冲超宽带(impulse radio ultra-wideband, IR-UWB)是一种通过发射极窄脉冲进行信息传输的无线电技术. 由于脉冲超宽带技术的工作频带特别宽, 因此易混入其他无线系统的窄带干扰信号. 针对超宽带系统中物理层同步头 Kasami 序列的特点, 提出了一种在 IEEE 802.15.6 协议下的同步算法. 一个 Kasami 序列可以被选为与接收信号进行积分相乘的同步模板. 仿真结果表明, 在存在强窄带信号干扰和码间干扰的情况下, 该同步算法比其他针对 IEEE 802.15.6 协议的算法有更高的同步成功率和更低的复杂度.     

一种适用于无线网络的基于速率的端到端拥塞控制算法

高丢包率和有限带宽是无线传输系统的主要特点,同时也是决定无线多媒体网络设计成败的关键因素.提出一种适用于无线网络的可扩展拥塞控制算法(scalable congestion control algorithm for wireless networks,SCCW),该算法可以在无线网络中使用多个业务流,且在拥塞丢包和随机丢包共存的情况下,具有很好的可扩展性.仿真结果表明,该算法比非可扩展性拥塞控制算法,如加法增加乘法减少(additive increase multiplicative decrease,AIMD)、平方根计算(square root calculations,SQRT)、倒数增减加性减小(inverse increase additive decrease,IIAD)等,具有更低的数据丢包率.     

基于拥塞控制的无线传感网蚁群最优化路由协议

无线传感网络（wireless sensor network,WSN）存在网络拥塞问题,并且网络的拥塞会造成丢包和能量的急剧损耗.针对网络拥塞问题,在高效节能蚁群路由(energy-efficient ant-based routing,EEABR)算法的基础上,提出基于拥塞控制的EEABR路由协议的改进的EEABR(improved EEABR,IEEABR)算法,该算法的核心是利用媒体访问控制（media access control,MAC）层上的包队列长路信息作为衡量拥塞度的标准,并作为寻找最优路径的判据之一.仿真结果表明,该算法具有投递率高和端到端时延小的特点,适合作为WSN的路由协议.     

一种宽带无线接入系统的小区搜索算法

该文提出一种新的基于OFDMA的宽带无线接入系统的小区搜索算法.该算法采用新的分级同步序列取代原有的前导序列(preamble),来完成符号定时、频偏估计和小区识别.分析了同步序列结构,给出了具体的小区搜索算法.仿真结果表明,在AWGN和TU信道下,该算法不仅增加了可识别小区数目,而且改善了原有前导训练序列的相关性能,提高了小区搜索的可靠性和有效性.     

领导者驱动下频率权重耦合复杂系统的同步

大量振子相互耦合后形成的复杂系统广泛存在于现实世界中.复杂系统不仅经耦合作用形成自发的同步,还常常受到外界的影响而表现出复杂的动力学行为.研究了当振子受到外界领导者节点的驱动时系统的同步这一重要的集体动力学行为;给出了Kuramoto振子组成的频率权重耦合的系统在受外界领导者驱动时,系统转变为驱动同步的条件.被驱动的振子的数量和振子的频率权重会影响系统转变为驱动同步的难易度.数值模拟结果证明了该成果的正确性.     

陶瓷涂层材料多模态数据表征学习

陶瓷涂层具有耐高温、耐腐蚀、耐磨损等特性, 其热膨胀系数和热导率等参数与其性能息息相关. 为解决陶瓷涂层性能实验成本高、测试困难等问题, 提出了陶瓷涂层材料多模态数据表征学习的性能预测方法. 首先利用高斯混合模型虚拟样本生成(Gaussian mixture model virtual sample generation, GMMVSG)算法生成符合真实陶瓷涂层数据分布的样本来扩充数据集; 其次利用卷积神经网络 VGG16 对陶瓷涂层的显微结构图像数据进行特征提取, 利用 TabNet 对结构化数据进行特征提取, 将提取到的图像数据特征与结构化数据特征融合; 最终根据多模态数据表征建立基于K-最近邻(K-nearest neighbor, KNN)、支持向量机回归(support vector regression, SVR)和多层感知机(multi-layer perceptron, MLP) 3 种机器学习算法的预测模型, 对陶瓷涂层的性能指标, 即热膨胀系数和热导率进行了预测. 实验结果表明: 提出的多模态数据表征学习模型的预测结果要优于单模态数据表征学习模型, 其中基于 MLP 算法训练的多模态数据表征学习模型对陶瓷涂层性能的预测效果最好; 在测试集中, 对陶瓷涂层热膨胀系数预测的平均绝对误差(mean absolute error, MAE)和均方误差(mean square error, MSE)分别为 0.026 6 和 0.001 7, 对热导率预测的 MAE 和 MSE 分别为 0.017 9 和 0.000 7. 所提出的陶瓷涂层材料多模态数据表征学习方法有效融合了结构化数据与非结构化数据, 联合学习了各模态数据的潜在共享信息, 成功提升了对陶瓷涂料层材料性能预测的准确度.     

分级单向ad-hoc路由协议

提出了一种支持多层无线异构ad hoc网的路由协议HUAR，它可以有效地解决异构无线网络中经常出现的单向链路问题，分析和仿真结果表明，HUAR具有路由控制开销小，快速响应网络拓扑结构变化，拓扑稳定，路由更新频率低等特点，具有比HSR协议更好的网络性能。