基于微分进化算法的层间等级网络编码优化

层间等级网络编码是一种联合利用信源分层编码与组播间线性网络编码优势的多速率线性网络编码技术.与分层组播网络编码相比,层间等级网络编码能够进一步提高异构信宿网络的资源利用效率.然而,网络中各链路上进行的编码类型,是影响层间等级网络编码多速率传输性能的决定性因素.本文面向单信源异构信宿网络,研究层间等级网络编码的优化;基于微分进化算法,提出了一种最优编码类型配置的快速搜索方案.该方案充分体现了信源输出链路上进行的层间等级网络编码对整个网络传输性能的影响;具体设计了符合层间等级网络编码本质特性的微分进化操作.实验结果表明,与现有的启发式算法相比,本文提出的基于微分进化算法的层间等级网络编码优化方案,能够为单信源异构信宿网络获得更高的网络总吞吐量.     

基于块剪枝多路径匹配追踪的多信号联合重构

针对多路径匹配追踪(multipath matching pursuit,MMP)无法利用稀疏信号的结构信息、迭代层数较高时计算复杂度较大等问题,提出了一种适用于重构块稀疏信号的块剪枝多路径匹配追踪算法。该算法以原子块作为路径扩张的节点,在一定迭代层数后引入剪枝操作,极大地降低了数据运算量。进而,针对多观测向量(multiple measurement vector,MMV)问题,提出了MMV块剪枝MMP算法,用以实现无线传感网小范围内多传感器信号的联合重构。实验表明,块剪枝MMP的重构性能优于MMP,MMV块剪枝MMP的联合重构性能优于MMV块A*正交匹配追踪、MMV子空间匹配追踪和MMV正交匹配追踪。     

基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing, CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning, Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法，简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。     

基于非局部Bayesian的单掩膜编码衍射成像算法

为了降低编码衍射成像系统的硬件复杂度,研究基于单个编码衍射图案(coded diffraction pattern,CDP)的成像算法.以图像本身具有的非局部区域自相似特性作为相位恢复中的信号约束,克服单个CDP携带信息过少的不足,提出一种基于非局部Bayesian估计与图像自相似性的相位恢复与图像重建算法.研究结果表...     

基于无标度网络的应用层组播仿真

最新的研究表明,Internet网络中节点的连接度服从幂律分布,且具有无标度(scale-free)特性.基于无标度网络模型建立的网络仿真能够更真实的反映在互联网中应用的演化特征.基于对无标度网络的研究,提出了一种基于对数关系的改进的非平稳增长模型,在此模型基础上建立了基于gossip协议的应用层组播(ALM)的模拟仿真.仿真结果表明,与常用的随机网络模型比较,提出的基于无标度网络的模型与互联网的实际情况更吻合;与Planetlab实验床试验和实际测量数据分析比较,基于无标度网络的仿真可以有效模拟大规模网络上的应用.     

基于近似消息传递与卡通纹理模型的图像重构

近似消息传递(approximate message passing, AMP)的高相变性能与低计算复杂度使其非常适用于图像重构等大数据量应用领域。如何充分利用图像的结构化稀疏先验是基于AMP研究图像重构的一个关键问题。将卡通-纹理模型引入AMP图像重构,根据迭代滤波中待处理图像卡通、纹理成分的不同特点,设计基于双树复数小波变换与全变差的层次化AMP滤波算子,进而分析AMP迭代次数对滤波对象结构特征与滤波算子性能的影响,研究AMP的阶段化滤波操作,提出一种基于卡通-纹理模型与分段滤波的AMP图像重构算法。实验表明,该算法能够更好地保留图像轮廓与纹理信息,提高图像的重构质量。     

基于广义模式耦合稀疏Bayesian学习的1-Bit压缩感知

在1-Bit压缩感知(compressive sensing, CS)框架下,将信号的稀疏结构先验引入广义稀疏Bayesian学习(generalized sparse Bayesian learning, Gr-SBL),研究基于Gr-SBL的1-Bit CS重构。将广义线性模型与模式耦合稀疏Bayesian学习相结合,提出了一种基于广义模式耦合稀疏Bayesian学习1-Bit CS重构算法，简称为1-Bit Gr-PC-SBL算法。该算法将1-Bit CS重构问题迭代地分解成一系列标准CS重构问题,在信号稀疏模式未知的情况下,基于模式耦合稀疏Bayesian学习实现信号重构。进而,引入阈值自适应的二进制量化,设计了自适应阈值的1-Bit Gr-PC-SBL算法,进一步提升了算法的信号重构性能。     

融合压缩感知与网络编码的多速率与变速率传输

结合压缩感知与网络编码的优势,面向单信源异构信宿网络,研究压缩感知观测数据基于线性网络编码的多速率与变速率传输.研究压缩感知观测矩阵与网络编码全局编码核矩阵的联合等效,设计了一种融合有限域压缩感知与线性广播网络编码的精细粒度多速率传输方案;研究压缩感知观测矩阵、线性广播类型保持降维转换矩阵和网络编码全局编码核矩阵的联合等效,基于有限域压缩感知与变速率线性广播,为多媒体数据设计了一种变速率-多速率传输方案.     

XML数据存储方法的研究

分析了当前已有的XML数据存储方法，指出了这些方法存在的不足。对如何存储和查询XML数据等问题做了详细的探讨，提出了一种基于对象一关系数据库的XML数据存储方法。实验结果表明，与传统的方法相比，本方法生成的关系表较少且所需的存储空间小，基于本方法的查询所需的联结较少，因此能有效地存储XML数据并提高查询的效率。     

基于聚类与稀疏字典学习的近似消息传递

基于传统字典学习的近似消息传递(approximate message passing, AMP)算法对训练样本数量的需求较高,且运算成本较高。本文引入双稀疏模型,构建基于稀疏字典学习的AMP框架,降低迭代过程中字典学习对训练样本数量的需求,提高压缩感知图像重建的质量与效率。进一步,提出基于聚类与稀疏字典学习的AMP算法,在迭代过程中依据图像块特征进行分类,并为各类图像块分别学习稀疏字典,实现自适应去噪。与基于传统字典学习的AMP算法相比,基于聚类与稀疏字典学习的AMP算法能够将重建图像的峰值信噪比提高0.20～1.75 dB,并且能够将运算效率平均提高89%。