一种能量高效的Ad hoc网络路由协议

传统的Ad hoc网络路由协议以最少跳数作为路由选择的标准,导致部分节点过早死亡.为此,文中提出了一种新的基于能量高效的按需路由协议.该协议以AODV路由协议为基础,在路由发现阶段考虑了节点剩余能量情况,将瓶颈节点能量和路径剩余能量平均值作为路由选择度量,选择总体能量充足的路径以避开剩余能量较小的瓶颈节点的影响.仿真结果表明,该协议能够保护能量低的节点,延长其服务时间,实现网络中能量的均衡消耗,延长网络生存时间,提高分组平均投递率,具有较强的实用性.     

基于视频编码流的视频传输端到端失真度估算

研究了基于信源量化、信道错误和差错隐藏的视频传输端到端失真问题.提出了一种基于视频编码流结构的端到端失真度估算方法.采用帧间递归,以宏块为单位根据信道平均误比特率和视频编码信息在编码器端实时估算端到端失真.仿真结果表明,对于绝大部分视频测试序列,在不同信道误比特率下,该方法模型估算的平均相对偏差小于8%,平均绝对偏差控制在0.9 dB以内,准确度高,为基于率失真或联合功率率失真优化中的失真估算提供一个有力的工具.     

一种基于粒子群算法和Hopfield网络求解TSP问题的方法

针对Hopfield网络求解TSP问题经常出现局部最优解,将粒子群算法(PSO)与Hopfield神经网络结合,提出一种基于粒子群的Hopfield神经网络方法. 实验证实这种方法能够以更大概率收敛到全局最优.     

用于多指数拟合的一种混沌免疫粒子群优化

为了更好地逼近真实物理场景,对传统的多指数模型作了一些改进,将权因子设置为噪声方差平方的倒数,提出一种基于循环矩阵(CM)的算法用于估计衰减项数.为了求解上述改进模型,提出一种混沌免疫粒子群优化(CIPSO)算法.该算法将人工免疫系统中的克隆、交叉、变异和接收器修正算法嵌入粒子群算法中,并采用混沌算子实现变异,然后将惯性因子改为自适应变化.实验表明:提出的权因子设置更符合实际;用于估计项数的CM算法在估计精度与运行时间上均优于传统的ILS算法;CIPSO算法在收敛精度与运行时间上也优于传统的优化算法,如可信域法、LM法、高斯-牛顿法、差分进化算法和粒子群算法等.     

基于HVS与PCNN的彩色图像增强

提出一种新的彩色图像增强方法:将RGB空间转化为HIS空间后保持H分量不变,对S分量进行指数拉伸;而对I分量则利用脉冲耦合神经网络的特性将原始图像的灰度信息与空间信息一起耦合到神经元的内部活动项,然后利用人类视觉系统模型构建动态阈值与其比较得到增强图像.实验证实了这种方法的有效性.     

一种多天线多用户下行系统保障公平的资源分配策略

将比例公平调度机制推广到多天线多用户下行系统,提出了一种保障公平的资源分配方案和多用户调度机制.基站利用块对角化预编码机制,将多天线下行系统分解为并行无干扰子信道,并根据各个用户的信道状态,选择优化用户集进行传输,从而在保障公平性的同时最大化系统总速率.同时分析了信道反馈错误对该资源分配机制的影响.仿真结果表明,与其他几种用户调度机制相比,该资源分配方案在吞吐量和公平性之间取得了良好的折中.     

一种细胞图像的区域标识算法

细胞图像由于其内在特性,一直是图像分割的难点.为了更好地分割与标识细胞图像,采用双层结构,第1层基于传统的分裂合并算法的思想,引入脉冲耦合神经网络并简化对图像分裂,引入MS模型并简化对分裂区域进行合并,得到一个粗分割图像;第2层利用Canny算子提取图像的边界,将长度大于阈值的边界视作细胞边界,反之视作仂边界,得到一个不连续的边界.最后在两层结果的基础上,利用教学形态学的方法,进行骨架提取与细化,最终得到区域分割与标识的结果.实验用5幅细胞图像作为测试,对算法的参数选择做了详细讨论,并就正确标识率和运行时间与基于区域的分割、基于先验模型的分割做对比,表明本文算法更优.     

能量高效与移动预测的路由算法分析

传统的无线移动自组网路由协议无法实现能量均衡消耗,也不能很好的适应网络拓扑动态变化,为此提出了一种新的基于能量高效与移动预测的按需路由算法。该路由算法在路由发现时排除不稳定链路,让能量较多的节点优先参与路由请求分组的转发,同时通过预测链路连接时间采用主动式局部路由修复策略,在路径实际失效之前就完成修复工作。仿真实验表明,和传统的AODV协议相比,文中提出的算法在路由控制开销略有增加的情况下,提高了分组平均投递率,降低了数据分组端到端平均时延,同时能够实现网络中的能量高效,延长了网络寿命,因此具有较强的实用性。     

神经网络泛化增强技术研究

综述和比较现有改善神经网络泛化能力的方法,特别对其中的5种实用方法进行详细的理论分析,指出各自的优缺点.实验中将各种方法用于函数逼近与数据分类两大领域,通过泛化能力与运行时间的对比,给出其性能排序.发现贝叶斯自适应正则化方法性能最好,其次是正则化法、逐步增加法、剪枝法;早期停止法速度最快,但是用于函数逼近效果不佳,只能用于数据分类.