认知网络路由技术

认知网络具有自学习和推理能力,能够适应复杂和动态变化的网络环境,优化端到湍的性能,实现高效利用网络资源的目标。文章提出了一种认知网络的路由方案框架,包括环境感知模块、路由决策模块、路由重构模块和自学习模块。     

认知无线网络：关键技术与研究现状

综述了认知无线网络的关键技术和研究进展。首先,从物理层的频谱感知和网络层的可用带宽估计两方面对网络环境感知技术进行了总结和归纳;其次,对目前的多信道MAC协议进行了分类,重点分析了不同多信道MAC协议实现方法的优缺点和适用场景;然后,对认知无线网络中智能决策和网络重构的实现框架进行了介绍,并总结了其中需要突破的关键技术;最后,对认知无线网络的重点研究方向给出了建议。     

认知无线网络架构与关键技术研究

认知无线网络是一种开放性的智能网络,通过网络环境的学习分析,对网络状态进行规划、决策和响应。认知无线网络使网络从静态工作模式发展到动态自适应工作模式,从单一封闭式网络发展到异构融合网络,是解决网络容量受限,实现频谱高效利用和异构网络融合的有效途径之一。认知无线网络的相关研究在国家973项目的支持和项目组各单位的共同努力下取得了长远发展,主要讨论认知无线网络架构的理论模型、实现功能以及部署实现,然后分析了支撑架构的关键技术研究,主要包括多域主动认知方法、自主资源决策管理、无线自主传输机制以及体系结构适变技术等。     

认知无线电智能学习决策研究现状

认知无线电由于其灵活的频谱使用和智能参数重配置能力,引起了国内外的广泛关注。目前认知无线电（CR）大部分的研究都集中在动态频谱访问上,而认知无线电智能学习与决策研究正起步并逐步受到重视。现对认知无线电智能技术,包括学习方法、知识表示、智能决策方法等进行了描述,并介绍了CR智能学习决策的研究现状。通过对两类CR智能学习决策方法的分析研究,指出基于学习的决策方法能更好地实现认知无线电适应新环境的能力。     

认知无线电中的人工智能技术

文章归纳了目前认知无线电研究中涉及的人工智能技术,以认知引擎思想架构为基础,针对感知与信息存储、学习与推理、决策与调整等认知过程的重要阶段,介绍了无线电知识表示和专家系统在环境感知和信息存储上的应用,讨论了用遗传算法、神经网络和模糊逻辑实现认知学习与推理的方法,分析了用博弈论进行无线电决策的过程,最后指出了利用人工智能研究认知无线电的发展方向。     

认知无线网络基础理论与关键技术研究

认知无线网络是一种具有认知过程的网络,通过网络环境的学习分析,对网络状态进行规划、决策和响应。认知无线网络是解决网络容量受限问题的有效途径之一,满足了国家对频谱高效利用和异构网络融合的战略需求,作为5G关键技术为未来无线通信网络的发展指明方向。主要介绍认知无线网络的体系架构、研究的基础理论和实现的关键技术,最后给出认知无线网络的验证演示平台。     

认知无线电技术综述

认知无线电是一种智能频谱共享技术,通过它授权用户的频谱资源得以利用.认知无线电具备感知无线通信环境、并可根据一定的学习和决策算法,实时、自适应地改变系统工作参数的能力,通过对它的利用实现了对无线频谱资源的动态使用,提高频谱资源的利用率.在对认知无线电技术提出的背景、认知无线电技术概念的发展和主要研究内容进行了介绍.     

支持应急通信的认知网络QoS技术

文章提出支持应急通信的认知网络体系结构与模型,以及在此基础上涉及的认知模型服务质量控制和优化策略、智能决策和学习算法,目标在于通过对网络环境状态的观察和学习,智能决策并自适应调整节点行为,进而达到对网络性能的优化。     

无线网络中基于视觉优化的三维模型传输与实时绘制方法

为克服无线网络的窄带宽和移动计算终端固有的功耗较低与资源有限等缺陷,提出了一种无线网络环境下基于视觉优化的多分辨率三维模型传输与实时绘制方法。首先,基于改进显著性区域计算模型提出一种视觉优化的模型简化算法,使视觉重要顶点在简化过程中尽可能地得到保留。在该计算模型中,提出了一种三维本地窗口计算方法和加权融合技术以获得有效样本顶点,提高了显著性区域判定的准确性。其次,提出一种无线网络中模型实时绘制方法,通过有效的模型编码和计算任务分配,使渐进模型数据能够快速传输到移动客户端,并在仅进行基本绘制计算的同时摒弃耗费资源的本地重构计算。最后,分别在模拟环境和在802.11b标准的无线局域网络环境中进行了算法性能测试。实验结果表明,采用本算法能够在获得较好的模型视觉简化效果的同时实现模型的任意分辨率的实时绘制。     

采用BP神经网络的智能抗干扰决策引擎研究

在认知抗干扰通信系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。现有的抗干扰通信系统的智能决策多采用遗传算法、人工蜂群算法等,面对日益复杂的电磁环境,通常这些算法不具有对新干扰的泛化能力。BP神经网络算法简单、具有一定的容错能力和泛化能力,本文设计并分析了一种基于BP神经网络的抗干扰实时决策引擎模型,根据系统性能设计了输入输出数据的预处理方式和判别标准,阐述了决策实现步骤,分析了算法参数;通过系统性能仿真,验证了文中提出的实时决策引擎的强抗干扰性能。与采用遗传算法和人工蜂群算法的决策引擎相比,本文提出的决策引擎决策速度更快且具有泛化能力和容错能力。      

Reconfiguration Decision Making Based on Ant Colony Optimization in Cognitive Radio Network

Facing to the challenges of dynamic adaptation capabilities in the time-varying environment of cognitive radio networks (CRN), reconfiguration capabilities are introduced to flexibly and dynamically adapt to changing wireless environment and service requirement. As one of the essential characteristics for CRN, the cognitive reconfiguration can meet the user requirements, realize interoperability between heterogeneous networks, make full use of radio resources and adapt to the time-varying environment to achieve the end-to-end requirements. However, the reconfiguration implementation is still challenging due to its need for complex environment cognition and multi-objects optimization. In this direction, ant colony optimization(ACO) technique, as an intelligent technology to solve the complex issues, is introduced to the appropriate model of the reconfiguration decision making process to achieve the adaption alternatives. The aim of this paper is to present a generic cognitive reconfiguration framework including indispensable function entities for autonomous reconfiguration decision making with regard to the multiple and complex objectives. Moreover, three kinds of reconfiguration approaches, which are parameters reconfiguration, radio resource reconfiguration and heterogeneous access reconfiguration, are proposed. Finally, numerous results prove the effective performance improvements of ACO based reconfiguration solution in CRN.     

A generic cognitive framework for supervising the radio dynamic reconfiguration

Cognitive radio is a technological concept pushing for the introduction of intelligent radio operation that goes beyond traditional system adaptation. So far, a rather limited amount of work has been published on the cognitive mechanisms that should be embedded into communicating equipments to achieve such an intelligent behavior. This paper presents a generic cognitive framework for autonomous decision making with regard to multiple, possibly conflicting, operational objectives in a time-varying environment. The framework is based on the definition of two scales introducing order relationships between the configurations that help the reasoning and learning processes. The resulting cognitive engine learns to progressively identify the optimal configurations for the design objectives imposed given the current radio environment. The proposed approach is illustrated for a case of cognitive waveform design and extensive simulation results validate the cognitive engine behavior.     

基于BP的配电系统网络重构算法的研究

为了有效地缩短配电网络重构的时间,首先对BP神经网络从学习速度和局部收敛方面改进,以提高BP算法的速度,然后根据配电网的数学模型,在BP神经网络的误差函数和约束条件的分析中运用图论知识,从而准确并快速地实现配电网络重构.     

一种基于异构网络的自适应垂直切换算法

提出一种基于WSN与WLAN异构网络环境下无缝移动通信的垂直切换算法。该算法针对日益普及的传感器网络自身特点与室内应急通信应用的特殊性,提出网络选取优先级参数。针对传感器网络在应急通信等特殊场合的应用．制定了专门的切换判决策略。实验分析表明,该算法可以一定程度地提高通信网络对现场场景变化的适应程度,满足室内环境下异构网络通信的需求。     

小数据集BN建模方法及其在威胁评估中的应用

贝叶斯网络是数据挖掘领域的主要工具之一。在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果。因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究。首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO（Improved-Bayesian Dirichlet-Binary Particle Swarm Optimi-zation）结构学习算法;其次,建立单调性参数约束模型,提出MCE（Monotonicity Constraint Estimation）参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算。实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型。     

Routing in Cognitive Networks

Cognitive networks are capable of learning and reasoning. They can dynamically adapt to varying network conditions in order to optimize end-to-end performance and utilize network resources efficiently. This paper proposes a cognitive network routing scheme that includes a context information collection entity,a route manager entity,a route reconfiguration entity,and reasoning and learning entity.     

Dynamic Reconfiguration Based on Goal-Scenario by Adaptation Strategy

The self-adaptation of software systems is a complex process that depends on several factors that can change during the system operational lifetime. But, Today’s workflow management systems are only applicable in a secure and safe manner if the business process to be supported is well-structured and there is no need for ad hoc deviations at runtime. Hence, it is necessary to define mechanisms for providing a self-adaptive system the capability of reconfiguration during run-time the process that controls its adaptation. In this paper, we provide rapid dynamic reconfiguration using the workflow based on goal-scenario as the basis to set up strategies in accordance with the adaptive judgment. Also, we provide a sophisticated approach which fosters learning from past process changes by process variants through the order matrix. We present a formal foundation for the support of dynamic structural workflow changes of running. Our approach uses estimates based goal-scenario to determine which remaining parts of running workflows are affected by the external environment and is able to predictively perform suitable adaptation. This helps to ensure that necessary adaptation are performed in time with minimal user interaction which is especially valuable in change of external environment.     

一种基于BP网络的雷达信号模糊模式识别方法

研究一种采用BP神经网络获取模糊隶属度,结合判决原则进行判决的雷达信号模糊模式识别方法,包括神经网络的结构设计、推理和学习算法设计、编程算法设计、实验结果分析等,并通过实例分析说明该方法的有效性。     

基于神经网络专家系统的推理研究

为了克服传统专家系统知识获取难、学习适应能力差、推理效率低等问题,许多专家提出将神经网络与规则专家系统相结合,构建基于神经网络的专家系统模型。文中设计了一种基于神经网络专家系统模型的混合推理机制,通过对基于神经网络推理算法、规则推理算法以及神经网络与规则的混合推理算法进行实验比较,证明本文提出的混合推理机制在改善专家系统推理准确率方面的有效性。