基于隐变量后验生成对抗网络的不平衡学习

针对现有不平衡分类问题中过采样方法不能充分利用数据概率密度分布的问题,提出了一种基于隐变量后验生成对抗网络的过采样(LGOS)算法.该方法利用变分自编码求取隐变量的近似后验分布,生成器能有效估计数据真实概率分布,在隐空间中采样克服了生成对抗网络采样过程的随机性,并引入边缘分布自适应损失和条件分布自适应损失提升生成数据质量.此外,将生成样本当作源领域样本放入迁移学习框架中,提出了改进的基于实例的迁移学习(TrWSBoost)分类算法,引入了权重缩放因子,有效解决了源领域样本权重收敛过快、学习不充分的问题.实验结果表明,提出的方法在分类问题各指标上的表现明显优于现有方法.     

异构集成学习中的观察学习机制研究

集成学习是提高分类精度的一种有效途径,已在许多领域显示出其优于单个分类器的良好性能。观察学习是一种基于社会学习理论的集成学习方法,以往对其研究集中于同构模式。在此提出了基于异构模式的观察学习策略,通过训练、观察、再训练三个阶段完成学习。在UCI标准数据集上对异构环境下的观察学习算法进行了实验研究。结果表明,该方法优于多数投票法和单个分类算法,其对弱分类器组成的分类器集合尤其有效。从偏差/方差分解的角度对观察学习提高分类性能的原因进行了论证,结果表明,观察学习算法既可以降低偏差,也可以降低方差。     

异构无线传感器网络能量均衡簇头选举算法

从"均衡网络的能量消耗"这一角度,研究了异构环境下基于分簇路由的SEP算法,提出了一种基于SEP的改进算法——能量均衡簇头选举(EBCHS)算法.仿真结果表明,改进后的路由算法在异构网络环境下能够有效延长网络的生存时间、提高网络的数据吞吐量.     

基于遗传算法的WSN谣传路由的改进

谣传算法是一种基于数据查询的无线传感器网络路由机制,它通过事件agent和查询agent形成的路径交叉生成一个路由,该算法存在着路径非最优化问题。为此,提出了一种基于遗传算法的谣传路由协议,它由谣传算法生成多条路径,利用遗传算法对此多条路径进行操作,将能量消耗作为评价指标,生成最优的路径。仿真表明,此算法能有效的降低节点的能量消耗,极大的延长了网络的生存时间。     

相互依存网络耦合映像格子的相继故障

本文基于耦合映像格子的相继故障模型,利用仿真和统计分析的方法,研究了BA同构依存网络(BA-BA)和异构依存网络(BA-ER)在随机攻击和蓄意攻击两种攻击方式下的相继故障行为.本文选择了偏好依存和随机依存两种方式分别构建了依存网络.研究结果表明∶(1)同构的偏好依存网络和随机依存网络表现出了类似的相继故障特性,即这两种依存方式下的网络都对随机攻击鲁棒,对蓄意攻击脆弱.同时,随机依存方式能增强BA同构依存网络的鲁棒性.(2)异构的偏好依存网络和随机依存网络表现出了和BA同构依存网络相反的特性,即异构的依存网络对随机攻击脆弱,对蓄意攻击鲁棒,且随机依存方式也增强了异构依存网络的鲁棒性.本文的研究结果对进一步理解相互依存网络的拓扑结构及依存方式对依存网络鲁棒性的影响有重要的参考价值.     

异构分布式环境中的并行离群点检测算法

离群点检测是数据挖掘领域研究的热点之一,主要目的是识别出数据集中异常但有价值的数据点. 随着数据规模不断扩大,使得处理海量数据的效率降低,随即引入分布式算法. 目前现有的分布式算法大都用于解决同构分布式的处理环境,但在实际应用中,由于参与分布式计算的处理机配置的差异,现有的分布式离群点检测算法不能很好地适用于异构分布式环境. 针对上述问题,本文提出一种面向异构分布式环境的离群点检测算法. 首先提出基于网格的动态数据划分方法（Gird-based Dynamic Data Partitioning,GDDP）,充分利用各处理机的计算资源,同时根据数据点的空间位置信息进行数据划分,可有效减少网络通信. 其次基于GDDP算法,提出了异构分布式环境中并行的离群点检测算法（GDDP-based Outlier Detection Algorithm,GODA）. 该算法包括2个阶段：在每个处理机本地,按照索引中数据点的顺序进行过滤,通过2次扫描得到离群点候选集;判断候选离群点需要进行网络通信的处理机,使用较低网络开销得出全局离群点. 最后,通过大量实验验证了本文提出的GDDP和GODA算法的有效性.     

异构分布式实时系统中容错调度模型的研究

研究了基于异构分布式系统的实时容错调度算法 ,同构分布式系统中的处理机完全相同 ,而在异构分布式系统中各个处理机均不相同 ,各个处理机有不同的处理能力和不同的健壮性 .提出了可靠性成本概念 ,建立了一个基于异构分布式系统实时容错调度模型 .基于该模型 ,设计了一种实时容错调度算法 ,算法在不增加系统硬件成本的情况下 ,提高了实时分布式系统的可靠性 .     

基于能量异构的WSN多链路算法

为了有效均衡网络能耗,提升网络生命周期,提出了一种基于能量异构的多链路算法EHMCA.该算法采用两级异构的网络结构,网络区域被划分为若干等宽子区域,根据各层间距确定最优簇域半径,簇域内根据高级节点的能量和全网平均能量来确定簇首的阈值,各层之间采用簇间多跳路由并行传输机制,因此,在整个网络区域,簇首通过层间多跳多链路并行传输方式和最优簇域内单跳传输的模式将数据传送给基站.算法仿真结果表明,EHMCA的网络性能明显优于其他3种算法,从而验证了EHMCA算法的有效性和实用性.     

基于KMM匹配的参数迁移学习算法

当训练数据和测试数据来自不同的领域或任务以至于训练数据和测试数据的分布不相同时,需要进行知识的迁移.本文提出一种基于实例KMM匹配的参数迁移学习方法.利用KMM算法估计每个源领域实例的权重,再利用得到的权重,把这些实例应用到基于参数的迁移学习方法中.把该迁移学习算法应用到无线网络定位问题中时,该方法的定位准确度要高于单...     

基于多尺度密集特征融合的生成式对抗除雾网络

在真实雾天场景下,针对除雾网络无法去除远处雾气、天空区域容易出现噪声的问题,提出了一种基于多尺度密集特征融合的生成式对抗除雾网络,并采用制作的合成雾天数据集进行对抗训练.首先,对除雾网络进行设计,构建了网络模型;其次,从合成晴朗天气图像中利用深度标签生成逼真的雾天数据集,以适用于真实雾天除雾领域;最后,在真实雾天数据集上测试,选取近几年具有代表性的6种基于深度学习的除雾网络进行主观视觉效果,并借助除雾领域常用的无参考图像质量评价指标进行客观分析.研究结果表明:提出的除雾网络在真实场景下的除雾效果较其他网络有显著提升,主观视觉效果明显优于对比的除雾网络,在无参评价指标上综合表现优于其他除雾网络.     

基于深度学习与狮群SVM算法的遥感场景分类

针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80%的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52%和98.57%.     

基于公交车辅助的城市车载自组织网络数据分发策略

针对城市车载自组织网络传统路由协议网络开销增长过快的问题,提出了一种基于深度学习的改进数据分发策略.该策略以DSDV路由协议为研究基础,引入具有固定行驶路线的公交车为辅助节点进行数据快速分发策略分析,同时通过梯度下降法对基于分簇的公交车辅助数据分发评价指标进行训练,以获取局部最优的数据分发路径选择策略,从而达到提升数据...     

改进Markov过程的异构无线网络垂直切换算法

针对当前异构无线网络垂直切换算法存在切换次数多, 服务质量难以满足实际应用需要的问题, 以获得更优的异构无线网络服务质量为目标, 提出一种基于改进Markov过程的异构无线网络垂直切换算法. 首先, 建立异构无线网络整体性能评价指标体系, 然后采用灰色关联分析法确定网络整体性能评价指标的权重值, 最后利用Markov决策过程对异构无线网络的状态进行预测, 选择最优的接入网络, 并通过异构无线网络垂直切换的仿真对比实验测试和分析其性能. 实验结果表明, 相对其他异构无线网络垂直切换算法, 该算法可降低平均切换次数, 避免了频繁切换现象的发生, 大幅度减少了网络数据传输的丢包率, 改善了用户满意度, 获得了更高的服务质量.     

区分服务下增强型动态RIO算法改进

鉴于区分网络中的标记算法和队列管理对服务公平性有很大影响,进行了基于增强型动态RIO(Enhanced Dynamic RED with In/Out bit,EDRIO)的确保服务下公平性的改进研究.首先从同构聚集流下的不同大小分组来分析各个分组间的公平性,然后从不同聚集流分配不同带宽来研究异构下的公平性.最后从数据包大小、目标速率及聚集流中包含的单流数量等进行性能仿真.实验结果表明,无论在同构还是异构下,基于EDRIO聚集流之间的公平性都比RIO和动态RIO聚集流之间的公平性好,而且该算法具有很好的扩展性.     

基于相似度的神经网络多源迁移学习算法

为了解决迁移学习中的"负迁移"问题,提出了基于相似度的神经网络多源迁移学习算法。该算法是以经典的BP神经网络模型为基分类器,利用梯度下降法对各个源领域与目标域之间的相似度进行学习和优化,把各个源领域的网络权重参数信息按照与目标域之间的相似程度迁移到目标域中,提高机器学习算法在目标域的分类性能。在UCI数据的Letter-recognition数据集以及20Newsgroups文本数据集上进行实验。实验结果表明了MTL-SNN算法比传统的多源迁移学习算法以及BP神经网络算法在分类准确率上有所提升,因此MTL-SNN算法有效地解决了"负迁移"问题。     

异构网络表示学习方法综述

现实生活中存在的网络大多是包含多种类型节点和边的异构网络,比同构网络融合了更多信息且包含更丰富的语义信息。异构网络表示学习拥有强大的建模能力,可以有效解决异构网络的异质性,并将异构网络中丰富的结构和语义信息嵌入到低维节点表示中,以便于下游任务应用。通过对当前国内外异构网络表示学习方法进行归纳分析,综述了异构网络表示学习方法的研究现状,对比了各类别模型之间的特点,介绍了异构网络表示学习的相关应用,并对异构网络表示学习方法的发展趋势进行了总结与展望,提出今后可在以下方面进行深入探讨:1)避免预先定义元路径,应充分释放模型的自动学习能力;2)设计适用于动态和大规模网络的异构网络表示学习方法。     

基于自学习可见图的机器人路径规划

针对未知环境下的机器人路径规划问题 ,提出了一种基于自学习可见图与局部最优的路径规划算法 .在这种算法中 ,采用自学习可见图来表示环境 ,并在路径规划的过程中逐步建立自学习可见图 .在避障上设计一个局部最优算法并提出了一种局部路径规划算法 .实验表明 :该方法规划速度快 ,并且能规划出局部最优的路径 ,满足未知环境下机器人路径规划的要求 .     

基于分段路由的网络故障监控

由于现有的基于分段路由架构进行网络监控的算法SCMon在计算监控路径时未考虑监控链路冗余以及探测源点在网络中的部署位置,提出一种结合中心度选点策略的SCLMon算法.首先,基于贪婪算法利用覆盖链路总数、节点邻接未覆盖链路数等评价指标选取最优监控路径;其次,采用介数和度数评估拓扑各个节点的中心度,选取中心度最大的点进行监控点部署以缓解部署点周围链路冗余覆盖情况.实验结果表明,结合中心度选点策略SCLMon算法不论是在不同的网络拓扑中还是在不同最大分段数目的情况下都能够有效地减少冗余的监控链路.     

基于引文数据的学术绩效评价指标体系研究

简要介绍了学术绩效评价的产生背景,阐述了引文与引文数据的概念以及引文数据在学术绩效评价中的应用,归纳了学术绩效评价中基于引文数据的各类指标及其意义,并详细列举了这些指标的查询数据库。     

复杂网络免疫策略分析

基于网络免疫策略, 先从免疫效率、 代价和鲁棒性三方面分析各免疫策略在同构网络中的免疫特性, 再构建异构耦合网络模型, 并分析了各类免疫策略在异构耦合网络中对病毒传播的抑制力. 实验结果表明, 已有免疫策略可有效抑制病毒在同构网络中的传播, 但对异构耦合网络的保护能力有待提高.