大规模卫星集群网络自适应加权分簇算法

针对平面管理结构在大规模卫星集群网络中的缺点,提出了一种自适应分布式加权分簇算法（adaptive distributed weighted clustering algorithm,ADWCA）,该算法根据卫星网络运行的可预测性,在初始化阶段由地面计算各卫星节点综合权值并划分簇首和成员节点,完成之后上注到星上,之后集群中卫星节点根据邻居及自身信息完全分布式地执行维护进程.仿真分析表明,与最小标识优先分簇算法和最大连接度优先分簇算法相比,该算法生成的簇结构具有更少的簇数量、良好的稳定性,且能够有效均衡簇头节点的负载.      

自组网络的分簇算法

当自组网络（ad hoc）的规模增大时，控制分组在网络中的传输急剧增多，这大大降低了路由和转发的性能．分簇是提高ad hoc网络可扩展性的重要手段．针对已有分簇算法的缺陷以及静态和动态ad hoc网络的特性，分别提出了新的静态分簇算法SACA和动态分簇算法DACA．其中SACA算法将分簇数量减小到已有算法的大约一半，但不增加簇成员数量，提高了分簇效率，减少了分簇时间；DACA算法将簇间的公共节点数目大大降低，从而有效降低了分簇结构的维护开销，提高了网络运行的效率、路由和转发性能．     

一种用于移动Ad hoc网络的自适应分布式权值分簇算法

利用分簇算法得到的分层结构可以提高移动Ad hoc网络性能.为有效解决Ad hoc网络簇结构的稳定性问题,在现有分簇算法基础上提出一种自适应分布式权值分簇算法.通过计算每个节点的移动性、平均邻居距离、节点度以及能量消耗4个因素的加权和而实现对随机分布节点自适应动态分簇,同时利用可用度优化簇内节点数.仿真结果表明,新分簇算法相对于已有的分簇算法具有更好的稳定性和负载均衡的优点.     

一种多簇头的Ad Hoc分簇算法

随着个人无线通讯设备的发展,Ad hoc网络已经成为网络发展的趋势.分簇算法作为一种划分网络结构的方法,有着重要的意义.本文提出了一种Ad hoc网络的分簇方法:首先,基于地理位置信息将网络划分成网格,每个网格为一个簇.其次,规定网格中的某区域为簇首生成区,每个簇生成多个簇首,即一个簇由多个簇头生成的三层树结构组成.文中对簇头个数的确定以及节点在簇与簇之间移动时产生的信息开销进行了计算,并给出了仿真结果.     

高性能无线传感器网络分簇算法

为解决无线传感器网络中经典低能量自适应分簇算法产生的簇头数量分布不稳定,从而导致网络生存时间变短问题,提出一种基于双重选举机制的分簇算法(TSSCH).仿真结果表明,与经典低能量自适应分簇算法(LEACH)相比,TSSCH算法可保证无线传感器网络的簇头数量更加合理地分布在最优值周围,从而能够更好地均衡无线传感器网络负载,达到延长无线传感器网络生命期的目的.     

一种多簇头的Ad Hoc分簇算法

随着个人无线通讯设备的发展,Ad hoc网络已经成为网络发展的趋势.分簇算法作为一种划分网络结构的方法,有着重要的意义.本文提出了一种Ad hoc网络的分簇方法：首先,基于地理位置信息将网络划分成网格,每个网格为一个簇.其次,规定网格中的某区域为簇首生成区,每个簇生成多个簇首,即一个簇由多个簇头生成的三层树结构组成.文中对簇头个数的确定以及节点在簇与簇之间移动时产生的信息开销进行了计算,并给出了仿真结果.     

Ad Hoc网分簇算法探讨

对Ad Hoc网的分簇算法进行了深入的研究,提出一种用于Ad Hoc网络的分簇算法,该算法以改善分簇结构网络总体性能,减少系统总体开销,有效提高移动节点可靠性为目标.文中对该算法进行了详细描述,对其性能进行了分析研究.     

一种基于权重的动态分簇算法

基于分簇算法,提出了一种基于权重的动态分簇算法(WDCA).该算法综合考虑了节点与其邻居节点的相对速度,节点到其邻居节点的平均距离,节点的能量以及节点的邻居数等因素来选择簇头;同时取消了一般加权分簇算法中簇成员到簇头只有一跳的限制,而是根据簇内成员数动态调整.模拟结果表明,与经典的加权分簇算法(WCA)相比,该算法的簇头稳定性、网络的负载均衡都有很大提高.     

改进LEACH的传感器网络分簇路由算法

针对当前无线传感器网络分簇路由算法存在的节点能耗不平均、 节点过早死亡等缺陷, 提出一种改进低功耗自适应分簇(LEACH)的无线传感器网络路由算法. 首先针对无线传感器节点过早死亡的问题, 引入簇半径动态确定方式, 将整个无线传感器网络划分为多个不均匀的簇; 然后考虑簇首能量消耗过快的问题, 结合簇首所在位置和节点剩余能量选择每轮中的簇首; 最后改进数据传输机制保证节点能量消耗均衡, 并在MATLAB 2014平台上对无线传感器网络分簇路由算法的性能进行测试. 测试结果表明, 改进LEACH算法较好地解决了节点过早死亡的难题, 延长了无线传感器网络的寿命, 平衡了各节点能量消耗, 整个无线传感器网络的性能显著优于其他对比算法.     

Ad hoc网络中典型分簇算法的性能分析

为优化Ad hoc网络的整体性能,减小平均时延,均衡网关节点的负载,通过对分簇算法的性能进行比较分析,选出适合于特定情况的分簇算法。针对分簇问题建立数学模型,对3种典型分簇算法的时间复杂度、消息复杂度和性能比进行了详细的对比和分析,并着重讨论了基于块合并的分簇算法。分析结果表明,块合并算法较前两者好。对3种算法进行了计算机模拟,模拟结果表明,块合并算法在簇头数、网关平均负载和簇的平衡度上都优于最小ID算法和最大节点度算法,从而验证了理论分析的结果。     

复杂网络中的病毒传播机制研究

通过复杂网络技术构建了病毒传播模型,并对SIR进行了较为细致的介绍,并对无标度网络的生成算法、传播算法和3种传播机制进行了程序验证,对验证结果进行对比分析并对生成的无标度网络进行度的统计.     

基于注意力网络特征的社区发现算法

现实世界中许多网络都是根据社区结构紧密组织起来的, 发现社区对于了解复杂网络的结构及其关系有很大的帮助, 文中提出了一种基于注意力网络特征的社区发现(community discovery algorithm based on attention network features, CANF)算法, 利用标记节点频率和反示例节点频率度量初始网络标记特征, 并且引入注意力机制, 对示例节点的每个邻居节点更好地分配权重, 将初始权重与分配权重相结合, 使初始度量的网络特征获取更多与目标有关的细节信息。文中通过分配的注意力网络特征进行复杂网络预处理以及社区博弈归并, 于真实网络中进行验证, 实验结果表明, CANF算法在准确度、模块度以及运行时间方面优于其他社区发现算法。     

一种虚拟化网络功能启发式动态编排算法

随着信息化的发展,网络业务的种类越来越多,业务的功能越来越强大,网络的基础设施为业务提供动态服务的能力已跟不上业务发展的速度,研究动态部署虚拟化网络功能具有重大意义.在不违反服务水平协议的情况下,研究了虚拟网络功能编排问题,并提出了虚拟网络功能编排的整数线性规划数学模型,接着基于动态编程的启发式算法对模型求解,最后对现实世界网络拓扑进行跟踪模拟.仿真结果表明,所提出的启发式算法可以降低网络运营成本,相关性能优于传统的硬件中间件方法.     

数据采集系统的网络寿命最大化

针对无线传感器网络的数据采集系统容易形成网络空洞的问题,对数据采集系统提出了一种新的使网络寿命最大化的策略．首先将网络进行环形分割,然后利用能量均衡公式确定每个环内节点的数量,以实现环间能量消耗均衡．提出了环内能量平衡路由算法,以实现环内节点能耗平衡．与能量均衡数据采集策略（EBDG）、非均匀部署能量均衡策略（NDEB...     

一种BP神经网络软件的设计

介绍了BP神经网络模型及其算法,设计出一种基于模糊的能实现的任意结构的三层BP神经网络软件.软件网络模型具有较高的可靠性.测试表明,该神经网络软件的学习效果达到较高的精度,可广泛应用于故障诊断、模式识别、最优预测等方面.     

基于动量BP神经网络的英文字符识别

英文字符识别已经广泛地应用于很多重要领域.已有的英文字符识别算法很多,一种典型的算法是BP神经网络算法.但是,BP神经网络算法有时不收敛,或陷入震荡.这就导致识别率下降.为此,本文研究了一种改进的称为动量BP神经网络算法用于英文字符识别.这种算法在BP神经网络算法的网络参数控制中添加一个动量系数和一个动量项.这样可以避免迭代的震荡,加快收敛速度.提高识别率.利用动量BP神经网络算法,对52个英文大小写字符进行了识别试验.实验结果表明,这种算法能获得满意的识别率.     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

Comparing the biological coherence of network clusters identified by different detection algorithms

Protein-protein interaction networks serve to carry out basic molecular activity in the cell. Detecting the modular structures from the protein-protein interaction network is important for understanding the organization, function and dynamics of a biological system. In order to identify functional neighbor- hoods based on network topology, many network cluster identification algorithms have been devel- oped. However, each algorithm might dissect a network from a different aspect and may provide dif- ferent insight on the network partition. In order to objectively evaluate the performance of four com- monly used cluster detection algorithms: molecular complex detection (MCODE), NetworkBlast, shortest-distance clustering (SDC) and Girvan-Newman (G-N) algorithm, we compared the biological coherence of the network clusters found by these algorithms through a uniform evaluation framework. Each algorithm was utilized to find network clusters in two different protein-protein interaction net- works with various parameters. Comparison of the resulting network clusters indicates that clusters found by MCODE and SDC are of higher biological coherence than those by NetworkBlast and G-N algorithm.     

基于二阶池化特征融合的孪生网络目标跟踪算法

为提升基于孪生网络目标跟踪算法的特征表达能力,获得更好的跟踪性能,提出了一种轻量级的基于二阶池化特征融合的孪生网络目标跟踪算法。首先,使用孪生网络结构获取目标的深度特征;然后,在孪生网络结构的末端并行添加二阶池化网络和轻量级通道注意力,以获取目标的二阶池化特征和通道注意力特征;最后,将目标的深度特征、二阶池化特征和通道注意力特征进行融合,使用融合后的特征进行互相关操作,得到地响应图能很好地区分目标和背景,提高跟踪模型的判别能力,改善目标定位的精度,从而提升跟踪性能。所提算法使用Got 10k数据集进行端到端的训练,并在数据集OTB100和VOT2018上进行验证。实验结果表明,所提算法与基准算法相比,跟踪性能取得了显著提升：在OTB100数据集上,精确度和成功率分别提高了7.5%和5.2%;在VOT2018数据集上,预期平均重叠率(EAO)提高了4.3%。     

深度残差网络和LSTM结合的图像序列表情识别

为了改善图像表情和图像序列表情识别效果,针对传统表情识别特征提取复杂和效果不理想问题,提出了一种深度残差网络和局部二值模式(local binary patterns,LBP)相结合的特征提取方法,利用深度残差网络提取数据集的空域特征,长短期记忆网络(long short-term memory,LSTM)处理时域特征,实现空域与时域特征的结合。研究了不同层数的残差网络、不同形式的LBP算子以及其他网络结构对人脸表情识别的影响,对比了支持向量机和随机森林实现的序列表情识别算法。在Cohn-Kanade数据集和AFEW6.0数据集上进行了验证,实验结果表明,算法在验证集上的准确率分别为73.1%和58.4%,相比其他算法有一定程度的提升。