自组织网络洪泛方式的一种改进算法

自组织网络路由协议的研究一直是无线网络的研究热点之一.而以洪泛方式的广播算法无疑比较适合于节点不断移动的自组织网络.但是传统的洪泛算法容易引起路由风暴的问题.本文基于小世纪现象,在保证路由成功率的前提下,将洪泛报文控制在一定的范围之内,从而减少控制报文的数量.仿真结果显示,改进后的洪泛算法具有较低的路由负载和能量消耗.     

基于分布式算法在WSN中的能耗最小化优化研究

如何有效利用节点能量并延长网络的生存期是研究无线传感器网络的一个核心问题.在已有的集中式算法的基础上,提出了一种分布式优化的方法,使无线传感网络中无损数据收集时的能量消耗最小化,此方法主要是通过将传输功率和压缩传输速率进行合理的配置来实现,运用拉格朗日对偶分解法,可以把能量最小化这个问题分解为能够被传感节点本身分布式解决的子问题.通过仿真结果可得,分布式算法相比集中式算法能使目标函数更快收敛从而达到能耗最小化.     

无线网络中基于信道速率和传输功率的MAC性能优化

目前多种无线传输标准均支持多速率的数据传送,通过对信道状况的估算设置合适的数据传输速率,有利于网络性能的优化。同时,调整无线网络中节点的发射功率可以间接改变物理载波侦听范围,从而提高网络的空间复用。本文提出了一种基于信道速率和传输功率自适应调整的PRA算法（Power and Rate Adaptation）,该算法的基本思想是发送节点根据通信距离保守计算起始速率,并根据成功和失败的状况调整传输速率和发送功率,从而有效改善介质访问控制协议的性能。仿真结果表明,该机制可以使节点在通信过程中自动调整到较高的信道速率和合适的发送功率范围,提高了网络吞吐量,降低了功耗,同时改善了公平性。     

基于风格解耦和自适应层实例归一化的图像翻译方法

针对当前无监督图像翻译方法在翻译过程中存在着图像内容变化过大、目标图像域风格传递不佳而导致生成的图像质量较低、多样性较差等问题,提出一种基于风格解耦和自适应层实例归一化的图像翻译方法.首先,采用基于解耦表示的自编码器作为模型的生成器,共享内容编码器来增强图像翻译的内容一致性;其次,在解码器中实现自适应层实例归一化运算,可以自适应地改变图像的风格,以改善风格传递的效果;再次,将随机风格编码融合至损失函数中,使得设计的模型具有生成随机风格图像的能力,来提升生成图像的多样性;最后,设计并实现了该方法,并在多个数据集上进行验证和分析.实验验证表明,与现有的无监督图像翻译方法相比,所研究的方法生成的图像质量较高,多样性较好.     

一种改进的AODV路由协议安全性方案

针对AODV路由协议的几种攻击方案和解决方案进行了分析与比较,提出了用k跳加密/解密法改进AODV路由协议的安全性,其原理简单,负载较轻,适合Ad hoc网络的运行特点.     

基于IREA的模糊神经网络及其在网络拥塞预测中的应用

将粗糙集从原始数据中提取数据的能力和模糊神经网络的推理能力有效地集成起来。使用增量式规则提取算法(IREA)从原始数据中抽取构建模糊神经网络(FNN)所需的规则集。与传统的模糊神经网络相比较,使用IREA算法构建的FNN具有较短的规则长度和更少的规则条数。网络拥塞仿真试验验证了本文所述方法的优越性。     

基于融合多尺度多通道特征的深度监督网络实现裂缝检测

尽管卷积神经网络浅层特征可蕴含一些细节信息,但也包含大量噪声。对于宽裂缝,浅层信息则作用不大。因此,本文提出了一个基于VGG16骨架并融合深层特征的FCN分割网络,并在每层加入侧边输出以直接监督模型。此外,我们还采用了一种名为Focal Loss的损失函数来解决数据集本身正负样本分类不平衡的问题。这种多尺度多通道深层特征与独特的损失函数融合应用,使网络具备很强的抗干扰性和更快的收敛速度。在DeepCrack数据集上,本文提出的深层特征融合网络(Deep Feature Fusion Network,DFFN)与HED、FCN和DeepCrack相比,表现出更好的性能和更快的推理速度。     

用模糊BP神经网估算小卫星成本

提出了用BP神经网对卫星成本进行二维估算 ,即先求出样本点集扩散到控制点集中的模糊数 ,然后将对应同一控制输出变量的控制输入变量的模糊数作为学习样本 ,让BP神经网进行学习。学习后的BP神经网就能在给定输入变量的情况下 ,估算出输出变量。最后 ,给出了小卫星成本的质量和定点精度模糊BP神经网估算的实例 ,取得了满意的结果。     

一种在对等网络中寻找最近节点的新方法

在对等网络(P2P)中,高效精确地定位最近节点是一项基本功能.通过将对等网络中最近节点定位问题抽象成节点覆盖问题,提出一种在一般度量空间中定位最近节点的新方法,满足定位精确,节点负载低,抗网络抖动等特性.仿真实验表明这种近似算法在不增加节点负载的前提下比现有方法(Meridian)更精确,更有效.     

基于迁移学习的卷积神经网络电网故障诊断

电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取。为提高配电网的故障诊断准确性,提出将迁移学习的思想与卷积神经网络(convolutional neural networks, CNN)相结合,以此来解决目标域样本不足导致训练效果差的问题,同时利用主成分分析(principal component analysis, PCA)对时序数据进行降维,提升运行速率,形成配电网故障诊断方法。首先对PCA和CNN的结构特点进行分析;然后通过仿真模拟不同的故障条件,生成面向CNN的时序数据。再通过最大均值差异法(MMD)选择出最适合迁移的源域数据,建立源域故障识别的预训练模型。最后使用目标域数据,在预训练模型的基础上进行迁移微调训练,得到故障诊断模型。仿真结果表明,该方法能够在小样本的情况下迅速完成对故障类型的精准预测。