广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。     

动态的 SDN 网络流量模式增量学习算法

针对基于人工神经网络的流量统计特征学习算法在动态适应性和可扩展性等方面尚显不足.提出了一种基于增长型自组织映射(GSOM)的增量学习算法,对软件定义网络(SDN)数据平面交换机的流表统计信息进行持续学习,动态获取网络流量的GSOM神经网络模型.基于DARPA99数据集的实验结果表明:所提出的算法能够通过学习确认安全的SDN流量,获得稳定、可塑的流量模式,对异常流量也有较高的敏感度.     

基于SSD卷积网络的视频目标检测研究

针对传统卷积神经网络对远距离视频目标识别效果差的原因,本文提出一种改进的基于SSD卷积网络的视频目标检测模型.首先,对数据集进行剪裁,旋转等预处理,提高网络检测泛化能力,其次,采用coco数据集Mobilenet_SSD预训练模型,由于其具有轻量级网络模型特点,减少计算开销,减少内存占用量.然后,再结合voc2012数据集进行二次训练微调处理,加快训练收敛速度,使用自定义数据集能有效检测特定场景目标,能够有效识别远距离场景下视频目标物体.实验结果表明,改进的网络检测模型适用于远距离目标检测,减少计算量,降低硬件内存资源消耗,提高网络模型性能和检测精确度,具有较好的鲁棒性.     

一种构造“点模式”的转换方法及其铀成矿分析应用

为进一步挖掘构造及铀成矿之间的关系,基于ARCGIS9.3软件设计了提取构造交点及构造走向的技术,将构造的“线数据”转换成“点数据”,以服务于点类型分析.此外,构造交点与铀矿床(点)之间,全部构造、14个典型矿床的控矿、容矿构造走向-数量分布之间,呈现出一定的吻合性.     

任意m×n阶cobweb网络的等效电阻研究

采用递推变换(RT)方法研究了一类任意m×n阶cobweb网络的等效电阻.首先采用网络分析建立递推矩阵方程模型(包括边界条件方程模型),其次构造矩阵变换获得矩阵的特征值和特征向量以便获得矩阵方程的通解与特解,最后利用矩阵逆变换给出支路电流的解析解,从而获得任意m×n阶cobweb网络任意2节点间的等效电阻公式,所得结果是由特征值构成及单求和表达.作为公式的应用,给出了等效电阻公式在特殊情形下的数个结果,并且给出了任意半无限和无限情形时的数个新的等效电阻公式,在与其他结果比较时发现了一个新的三角函数恒等式.     

一类非局部扩散方程解的局部存在性和唯一性

主要研究了一类非局部扩散方程解的局部存在性和唯一性.由于非局部扩散的特殊性,采用Banach不动点定理分别得到了Cauchy问题,Dirichlet和Neumann初边值问题下解的局部存在性和唯一性.     

面向脑MR影像分割与偏置场修正的FCM方法

传统模糊C-均值(fuzzy C-means,FCM)算法以及结合空间信息的改进方法在分割脑磁共振(magnetic resonance,MR)影像时对噪声十分敏感,且无法消除脑MR影像中的偏置场。针对上述问题,提出一种面向脑MR影像分割与偏置场修正的FCM方法。该方法充分利用图像中的空间局部信息和非局部信息,分别构造出多局部信息模糊因子和非局部权重,在提高算法抗噪性的同时,尽可能多地保持图像细节;建立偏置场模型,以去除脑MR影像中的灰度不均匀性;将提出的多局部信息模糊因子和非局部权重嵌入到带有偏置场模型的FCM方法中,以实现噪声和偏置场条件下的脑MR影像分割。实验结果表明,与其他方法相比,所提方法对脑MR影像中的噪声具有更强的抑制能力,且能够有效消除偏置场对脑MR影像分割的影响,具有更优的分割性能。     

基于卷积神经网络的多天线Polar码联合解调-解码方案

为了验证运用神经网络进行信道解码的可行性,利用其提高短码长Polar码的译码准确率,提出了一种基于卷积神经网络(convolutional neural network,CNN)的多天线(multiple-input multiple-output)Polar码新颖联合解调-解码方案.搭建了一种包括4个卷积层,2个全连接层和1个输出层的卷积神经网络,采用最小均方误差作为损失函数,通过计算机生成了Polar码编码的多天线数据并对网络进行训练,使训练得到的神经网络能很好地提取出Polar码比特间的关系特征,从而拟合出Polar码译码函数.仿真结果表明,在相同信噪比条件下,基于CNN的Po-lar码联合解调-解码方案的误码率优于已有的基于全连接神经网络方案;所提方案在不同码率的仿真实验中的误码率皆优于基于全连接神经网络方案,损失曲线的收敛速度更快,显示了基于CNN的Polar码联合解调-解码方案具有更好的泛化能力和学习能力.     

立即可解网络编码应用于无线网络重传中的时延分析

立即可解网络编码(instantly decodable network coding,IDNC)分为狭义立即可解网络编码(strict IDNC,S-IDNC)和广义立即可解网络编码(generalized IDNC,G-IDNC).分析了S-IDNC和G-IDNC的特点,并对这2种思想应用于重传的时延性能做了对比分析.以最小化解码时延为目标提出基于S-IDNC和基于G-IDNC权重顶点搜索算法,实验对比分析了所提算法和已有典型算法性能,验证了所提算法的有效性,并归纳了S-IDNC和G-IDNC的时延特征差异.实验结果表明,基于S-IDNC的重传算法使得信宿节点的时延大小分布较为聚集,而基于G-IDNC的重传算法时延大小分布更为分散,G-IDNC时延均值优于S-IDNC,而S-IDNC系统完成时延优于G-IDNC.     

卫星网络中基于蚁群优化的概率路由算法

为了提高空间信息传输的有效性和可靠性,针对传统蚁群优化(ant colony optimization,ACO)容易造成最优路径负载过重而发生拥塞的问题,提出了一种基于蚁群优化的概率路由算法(ant colony optimization based proba-bilistic routing algorithm,ACO-PRA).根据卫星网络拓扑动态周期时变的固有特点,将拓扑周期均匀分为若干个时间片,形成基于不同时间片的卫星网络拓扑连通图;根据网络拓扑连通图,将星间链路带宽和链路容量引入到目标函数中,建立时延最小的优化模型;根据蚁群算法的节点概率函数选择下一跳节点,进而找到一条能同时满足时延带宽和链路容量要求的最佳信号传输路径.仿真结果表明,提出的基于蚁群优化的概率路由算法不仅能够降低平均端到端时延和丢包率,而且能够有效地提高网络吞吐量、平衡网络负载.