采用监督局部切空间排列算法的航空发动机磨损故障诊断

为解决传统特征提取技术难以处理具有非线性结构的复杂故障数据、影响故障诊断准确性的问题,将非线性维数约简技术——局部切空间排列引入航空发动机滑油光谱数据特征提取中,提出了一种基于监督局部切空间排列的发动机磨损故障诊断方法。该方法对非线性分布故障流形数据的内在几何特征进行捕捉,并将数据向低维故障特征空间进行非线性映射,完成故障特征的提取,最后在故障特征空间里构造分类器,完成磨损故障的识别诊断。采用某型发动机磨损故障滑油光谱数据开展实验,结果表明:与传统主元分析、线性鉴别分析特征提取方法相比,该方法能够更有效地提取出嵌入于故障数据中的非线性特征,提高了故障分类的准确率,并且只需采用简单的线性分类器就能具有很好的故障诊断性能。     

面向车联网边缘计算的智能计算迁移研究

为了满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求,提出了一种面向车联网边缘计算的智能计算迁移方法(intelligent computing offloading method, ICOM).首先构建了车联网边缘计算系统资源模型、执行时间模型、边缘设备负载均衡模型;然后利用非支配排序遗传算法(non-dominant sorting genetic algorithm,NSGA-II)实现了对车载计算任务的迁移时间和边缘设备的负载均衡进行联合优化,从而为车载计算任务找到有效的计算迁移策略;最后根据多目标决策准则(multi-criteria decision making, MCDM)和逼近理想解排序法(technique for order preference by similarity to an ideal solution, TOPSIS)选择出最优的计算迁移策略.实验结果表明,ICOM方法能够使车载计算任务在期望时间内完成,同时也保证边缘设备的负载均衡.     

基于倒变异高阶谱的周期性突变识别方法

分析了带有周期性突变成分信号的频域特征,提出了识别周期性突变的倒变异高阶谱方法,该方法首先对信号的FFT所得数据进行调整,并根据周期性突变的特点设计了新的高阶谱频率函数,由频率函数可得到变异高阶谱,进而对变异高阶谱的某些频率取纵向切片计算倒谱,得到倒变异高阶谱.基于倒变异高阶谱的周期性突变识别方法可充分利用FFT所得的正负频率域的所有数据,扩充了高阶谱的生成空间,提高了对周期性突变的识别效果.试验表明所提方法可准确识别周期性突变和突变的周期,具有一定的实际应用价值.     

基于多级深度特征与随机游走的显著性检测

为了解决图像显著性检测中传统方法特征学习不全面、复杂场景下显著区域凸出不明显的问题,提出了一种基于多级深度特征和随机游走的显著性检测算法。首先,利用全卷积神经网络,结合深层和浅层卷积特征信息对图像进行多级卷积深度特征提取;然后,对图像进行超像素分割,将提取的深度卷积特征分配给相应的超像素,构建特征矩阵;最后,通过正则化随机游走排序模型生成最终的显著图。在ECSSD和DUT-OMRON数据库上的实验结果表明,与6种具有代表性的显著性检测算法相比,文中算法的准确性和F值具有一定的优势。     

向量空间彩色图像的Canny边缘检测

针对Canny算法检测边缘的准确性,提出了基于Canny算法的彩色图像边缘检测方法.根据Canny算法的特性,用近似高斯函数的滤波器平滑图像;利用梯度模板计算图像的向量梯度及方向角,并依据方向角对梯度图像进行非极大值抑制;计算高、低两个阈值,基于8邻域连接边缘点.实验结果证明,该方法继承了canny的性能,并充分利用了彩色信患,能较好地检测出彩色图像边缘.     

D3DQN-CAA:一种基于DRL的自适应边缘计算任务调度方法

为解决已有基于深度强化学习的边缘计算任务调度面临的动作空间探索度固定不变、样本效率低、内存需求量大、稳定性差等问题,更好地在计算资源相对有限的边缘计算系统中进行有效的任务调度,在改进深度强化学习模型D3DQN（Dueling Double DQN）的基础上,提出了自适应边缘计算任务调度方法D3DQN-CAA.在任务卸载决策时,将任务与处理器的对应关系看作一个多维背包问题,根据当前调度任务与计算节点的状态信息,为任务选择与其匹配度最高的计算节点进行任务处理;为提高评估网络的参数更新效率,降低过估计的影响,提出一种综合性Q值计算方法;为进一步加快神经网络的收敛速度,提出了一种自适应动作空间动态探索度调整策略;为减少系统所需的存储资源,提高样本效率,提出一种自适应轻量优先级回放机制.实验结果表明,和多种基准算法相比,D3DQN-CAA方法能够有效地降低深度强化学习网络的训练步数,能充分利用边缘计算资源提升任务处理的实时性,降低系统能耗.     

面向边缘计算环境的服务器性能评估及优化模型

针对边缘计算服务器运维难度大、运维成本高等问题,基于对单台服务器动态采集的多维指标,并通过汇聚算法得到业务汇聚指标,通过巡检模型评估需要进行优化的目标服务器,并根据动态调整模型给出的决策方案对服务器实施优化调整,提出一种边缘计算服务器性能评估及优化模型。实验结果表明,本模型可实现边缘计算服务器的业务规划、软件配置与硬件配置等决策预警,可提升26%的服务质量、10%的运维效率,同时能降低3.57%的运维成本。     

MEC系统中基于无线供能的多用户任务调度算法

节能且高效的计算是移动用户设备的必然趋势,针对无线供能的边缘计算网络,提出了一种多用户卸载决策及任务调度算法。在多用户二进制计算卸载模式下,通过联合优化无线供能时间、边缘用户的卸载决策及任务调度建立一个系统执行最大时延最小化的优化问题。由于该优化问题是一个混合整数的非凸优化问题难以求解,设计了一种两层交替迭代的求解方案,第一层采用贪婪算法或基于改进的约翰逊算法,求解出在给定无线供能时间下的用户卸载决策和任务调度,第二层基于黄金分割法求解出最优的无线供能时间。仿真结果表明,算法收敛速度快,并且有效降低了整个系统任务的执行时延。     

一种基于遗传算法的车载边缘计算卸载方案

延迟敏感型和计算密集型车辆应用的出现,给计算资源有限的车联网带来了巨大的挑战。移动边缘计算(Mobile Edge Computing, MEC)是云计算的一种补充,可以有效解决车辆计算资源有限等问题,但是车辆的高机动性以及中心云距离较远导致数据卸载延迟较大,对卸载效率产生较大影响。现有方案大多对车辆的高机动性以及空闲资源的利用方面考虑不足,因此,文中提出一种基于遗传算法的车载边缘计算卸载方案(Genetic Algorithm-based Vehicle Edge Computing Offloading Scheme, GAVECOS)。在该方案中,考虑了任务车辆周围的本地车辆、路边基站上的边缘服务器和空闲车辆的计算资源来卸载任务,然后提出一个以系统总成本最小为目标的优化问题,并利用遗传算法求解该优化问题。最后通过搭建仿真平台对方案进行了验证。仿真结果显示,在综合考虑系统的时延和能耗这两个因素的情况下,该方案与其他4种方案相比总成本有明显的降低。     

二维小波变换在粮虫图像处理中的应用

提出了用小波变换检测储粮害虫图像边缘的方法,这种方法通过对二维小波变换图像局部极大值的检测得到图像的边缘信息.计算表明,将二维小波变换应用于储粮害虫的图像去噪和边缘检测,不仅可以保留图像的边缘特征,视觉效果好,还可以得到较清晰的粮虫特征图像,为粮虫图像特征提取打下了良好的基础.