基于主动学习的环境音分类研究

环境音分类是当前语音识别领域的研究热点。主动学习是利用未标记数据,在少量标记数据代价下提高监督学习算法的分类性能的方法。文中提出了熵优先采样（Entropy Priority Sampling,EPS）方法和简单不一致采样（Simple Disagreement Sampling,SDS）方法作为主动学习选择样本的策略。针对环境音数据,提取11维的CELP音频特征,采用单一分类器与EPS,SDS方法对不同标记训练样本比例下的分类实验结果进行了比较分析。结果表明,主动学习方法在标记样本数较少的情况下,能取得较好的分类效果,并且EPS方法的性能优于SDS方法。     

多层次过采样集成的不平衡数据缺陷预测模型

针对软件缺陷预测中不平衡数据的分类问题，提出了一种基于过采样和集成学习的类不平衡软件缺陷预测模型XG-AJCC(AJCC-Ram+XGBoost).在预处理阶段，提出了AJCC-Ram(Adaptive Judgment Cure Clustering Random Sampling)多层次过采样方法.该方法基于改进的ADASYN自适应过采样和CURE-SMOTE过采样分别在类边缘和类中心层面生成新样本，通过CLNI方法对样本生成后的数据集进行噪声过滤及清理.在模型构建阶段，与集成算法XGBoost(eXtreme Gradient Boosting)相结合形成最终的不平衡数据缺陷预测模型.本文在AEEEM数据集和NASA数据集中进行了验证，实验结果表明：较于经典的采样方法和采样集成预测模型，在F1指标上AJCC-Ram过采样方法及XG-AJCC采样集成算法模型均能够取得有效的预测结果.     

基于改进RRT*FN算法的机器人路径规划

针对固定节点数的渐近最优快速扩展随机数算法(RRT*FN)精度低、收敛到最优值速度慢等问题,提出一种改进的RRT*FN路径规划算法,并用于解决二维静态环境下的移动机器人全局路径规划问题.首先,改进算法使用与RRT*FN算法相同的均匀采样方法进行路径搜索,当搜索到一条初始路径时,在之后的路径规划中使用启发式采样方法.在之后的每次迭代中,改进算法在椭圆子集采样方法与路径点邻近区域采样方法中随机选择一种作为当前采样方法.然后,当树中的总节点数达到预设值时,对树中的叶子结点采用加权方法进行删除.通过给予采样区域内的叶子结点更高的权重,从而将采样区域外的叶子结点以更高概率删除,得以保留树中的高性能节点,以便提高算法性能.最后,通过仿真实验验证改进算法的有效性.     

一种优化的传感器网络节点选择算法

节点选择的合理性是影响传感器网络生命期的重要因素。在分析了GB节点选择算法原理的基础上,对算法进行了性能分析,并提出了几点优化策略,改进后的算法更加准确和高效。     

一种基于IMM的自适应目标跟踪算法研究

对目标进行自适应跟踪是节约雷达资源的途径之一.以相控阵雷达为基础研究了一种目标自适应跟踪算法.介绍了传统连续情况下的周期采样方法,通过设定上、下界来限制算法中采样周期的变化.并在连续采样的基础上给出一种改进的离散采样算法,改进算法通过比较滤波残差和量测误差设定一组离散采样值,计算量减小,跟踪误差降低.基于IMM对两种自适应采样算法以及固定周期采样算法进行Monte Carlo仿真对比,仿真结果表明两种自适应采样算法均大大降低了采样宰,改进的离散自适应采样算法跟踪性能相对较好.     

融合级联上采样与下采样的改进随机森林不平衡数据分类算法

数据不平衡会严重影响传统分类算法的性能,不平衡数据分类是机器学习领域的一个热点和难点问题.为提高不平衡数据集中少数类样本的检出率,提出一种改进的随机森林算法.该算法的核心是对每一棵通过Bootstrap采样后的随机森林子树数据集进行混合采样.首先采用基于高斯混合模型的逆权重上采样,然后基于SMOTE-borderline1算法进行级联上采样,再用随机下采样方式进行下采样,得到每棵子树的平衡训练子集,最后以决策树为基学习器实现改进机随机森林不平衡数据分类算法.此外,以G-mean和AUC为评价指标,在15个公开数据集上将所提算法与10种不同算法进行比较,结果显示其两项指标的平均排名和平均值均为第一.进一步,在其中9个数据集上将其与6种state-of-the-art算法进行比较,在32次结果对比中,所提算法有28次取得的成绩都优于其他算法.实验结果表明,所提算法有助于提高少数类的检出率,具有更好的分类性能.     

基于细节点投影的可撤销指纹模板生成算法

为了改善指纹模板保护算法的可撤销性、不可逆性等性能,设计了一种基于细节点投影的可撤销指纹模板生成算法.首先对指纹图像进行预处理,提取指纹的细节点特征,并筛选出采样半径范围内的有效细节点,然后对细节点进行直线投影,将投影后的向量映射到二维网格,生成固定长度的一维比特串,再结合用户PIN码生成可撤销指纹模板.在指纹数据库FVC2002-DB1和DB2上的实验结果表明,该算法不仅提高了指纹模板认证的稳定性,而且在可撤销性、不可逆性和安全性等方面均具有较好性能.     

基于Node2Vec的重叠社区发现算法

针对目前基于种子节点选择的社区发现算法在准确性和复杂度等方面存在的不足, 提出了一种基于Node2Vec的重叠社区发现算法. 首先, 使用Node2Vec算法学习到网络中每个节点的向量表示, 用以计算节点间的相似度, 其次, 利用节点影响力函数计算节点影响力并找出种子节点, 然后基于每个种子节点进行社区的扩展优化, 最终挖掘出高质量的重叠社区结构. 本文选取多个真实网络进行了对比实验, 结果表明, 本文所提出的算法能够在保证良好稳定性的前提下发现高质量的社区结构.     

随机采样的2DPCA人脸识别方法

在2DPCA的基础上提出一种随机采样的2DPCA人脸识别方法--RRS-2DPCA.同传统通过对特征或投影向量进行采样的方法不同的是,RRS-2DPCA(Row Random Sampling 2DPCA)将随机采样建立于图像的行向量集中,然后在行向量子集中执行2DPCA.在ORL、Yale和AR人脸数据集上进行实验,结果表明RRS-2DPCA不仅具很好的识别性能和运算效率,而且对参数具有很大的稳定性.另外针对2DPCA和RRS-2DPCA对光线、遮挡等不鲁棒问题,进一步提出了局部区域随机采样的2DPCA方法LRRS-2DPCA(Local Row Random Sampling 2DPCA),将RRS-2DPCA执行在人脸图像的局部区域中.实验结果表明LRRS-2DPCA不仅具有较好的鲁棒性更大大的提高了RRS-2DPCA的识别性能.     

改进的随机平衡采样Bagging算法的网络贷款研究

互联网金融中的网络贷款用户数据具有类别不平衡的特性，严重影响传统分类器的性能。随机平衡采样算法在对原始数据集进行重采样的过程中，将所有样本同等考虑，本文在平衡采样的过程中充分考虑样本点的性能，将其分为3类样本：安全的、边界的、噪声的，针对不同类型的样本采用相应的采样方法，得到平衡的新数据集，然后对该数据集进行Bagging集成，提高算法的泛化性能，结果表明本文改进的随机平衡采样(Improved Random Balanced Sampling， IRBS)Bagging算法可以较好地对网络贷款用户进行分类。     

使用历史锚节点信息的改进MCB算法

针对MCB算法的采样效率及定位误差,在锚节点静止而未知节点运动的情况下,提出了一种新的改进算法MBHA,通过充分利用侦测到的历史及当前锚节点信息,来修正MCB算法的采样箱。大数据量仿真结果表明,修正后的采样区域相比修正前更接近节点的真实位置。MBHA算法最终使用优化修正后的采样区域进行采样,在绝大多数的对比仿真环境实验中,该算法既大幅提升了采样效率,又提高了定位精度。     

基于无线传感器网络节点的RFID系统节能研究

为了提高射频识别(RFID)系统的能量利用效率,在无线传感器网络节点结构的基础上,提出一种改进方案,将RFID读写器集成到传感器节点中,取代原有的传感器模块,形成读写器智能节点,并利用传感器节点的节能控制机制实现RFID系统对有限能量的高效利用。以SK—WSN—I无线传感器网络节点和SK—RFID—TRF796X—II读写器模块作为实验平台,进行Matlab仿真,验证了改进方案的节能效果。     

MB-OFDM UWB系统频偏估计方法改进研究

针对多带OFDM超宽带(MB-OFDM UWB)系统,依据物理层国际标准ECMA-368,对现有的频偏估计方法做了改进,提出了一种高性能、低复杂度、高鲁棒性的联合载波和采样频偏估计方法。该方法在SC算法基础上,通过选择合适的相关距离,使频偏估计算法适合于所有的跳频模式,同时也改善了估计性能。仿真结果表明,新方法在保证估计性能的基础上可有效降低复杂度,适合于高速MB-OFDM UWB系统。     

基于动态数据压缩的能量采集无线传感网络数据收集优化

针对能量采集无线传感网络（WSN）中的数据收集优化问题,考虑传感器节点能量采集的时空变化特性,提出一种基于节点动态采样速率和数据压缩的策略,以实现网络中采样数据总量的最大化。首先,提出一种根据节点的邻居信息决定其最优压缩策略的本地压缩算法,基于节点在数据汇聚树中的拓扑位置考虑其数据接收和转发能耗,逐渐增加其采样速率直到其总能耗到达采集能耗阈值。接着构造网络性能的全局优化问题并提出一种启发式的算法,通过迭代求解线性规划问题计算最优的采样速率和压缩策略。实验结果表明,与现有的自适应传感和压缩率选择方案相比,所提出的两种数据收集优化算法能够维持更加稳定的传感器节点电量水平并实现更高的网络性能。     

基于OPNET的交换节点仿真模型的性能分析

完成网络流量经交换节点的仿真模型的性能分析。仿真方案采用具有模块化的分层建模,通过扩展OPNET上的模块实现所有核心节点搭建,并着重对模型的基本原理和关键技术进行分析,采用多源端方法解决传统业务和不同自相似业务同时驱动OPNET仿真的问题,同时为增加模型的灵活性,增设了数据源节点和目的节点。仿真实验采用自相似流量和泊松流量同时加入源节点的性能比较,验证了仿真实验正确性和有效性。该模型为经过交换结构的网络流量性能的仿真分析提供了一种有效途径。     

基于运动轨迹捕捉与正交覆盖的WSN节点定位算法

传统无线传感器网络(WSN)节点定位算法难以适应节点快速移动的高拓扑变化环境,导致识别误差较大。针对该问题,提出一种基于运动轨迹捕捉与正交覆盖机制的WSN节点定位算法。利用捕捉锚节点射频强度的方法对节点运动轨迹进行覆盖定位,获取性能最佳的锚节点及其坐标,改善因锚节点失效或信号强度弱导致的弱定位现象。在此基础上,采用拉格朗日插值函数设计运动轨迹捕捉方法,联合纵向及横向坐标维度进行节点运动矢量的精确捕捉,在精度可控的条件下实现对下一时刻节点坐标的初步预测,优化锚节点对运动节点的区域覆盖。同时利用正交覆盖方式设计基于过滤机制的区域优化方法,提高覆盖区域坐标抽样和网络信号定位精度。仿真结果表明,与2S-HGR机制和TDLM机制相比,该算法具有较好的动态路径捕捉效果与坐标定位准确性。     

基于联合分步APIT定位算法的改进

本文研究了无线传感网络( Wireless Sensor Network,WSNs)的节点定位问题,并针对APIT由于锚节点在低密度环境下的节点误判和节点失效等问题给出了改进,在APICT定位算法的基础提出了联合分步定位算法UNION-APICT(Union Approximate Point-In-Circumcircle Test),该算法是结合连通性的测距技术,RSSI测距技术以及质心定位和APICT等技术,来联合解决对未知节点定位问题。通过仿真实验结果表明,改进后的UNION-APICT在APICT算法的基础之上平均定位误差减少了10%-25%,定位性能有了明显的提升;随着通信半径R和最大探测距离rmax的增加,定位误差也在逐渐减小,该算法较APIT和APICT定位算法在锚节点密度、节点覆盖率和定位精度上都有所提高。     

Node Embedding Research Over Temporal Graph

Compared with conventional graph data analysis methods, the graph embedding algorithm provides a new graph data analysis strategy. It aims to encode graph nodes into vectors to mine or analyze graph data more effectively using neural network related technologies. Some classic tasks have been improved significantly by graph embedding methods, such as node classification, link prediction, and traffic flow prediction. Although substantial breakthroughs have been made by former researchers in graph embedding, the nodes embedding problem over temporal graph has been seldom studied. In this study, we propose an adaptive temporal graph embedding (ATGED), attempting to encode temporal graph nodes into vectors by combining previous research and the information propagation characteristics. First, an adaptive cluster method is proposed by solving the situation that nodes active frequency varies types of graph. Then, a new node walk strategy is designed in order to store the time sequence between nodes, and also the walking list will be stored in a bidirectional multi-tree in the walking process to get complete walking lists fast. Last, based on the basic walking characteristics and graph topology, an important node sampling strategy is proposed to train the satisfied neural network as soon as possible. Sufficient experiments demonstrate that the proposed method surpasses existing embedding methods in terms of node clustering, reachability prediction, and node classification in temporal graphs.     

时序图节点嵌入策略的研究

相较于传统的图数据分析方法,图嵌入算法是一种面向图节点的新型图数据分析策略.其旨在通过将图节点向量化表达,进而在节点向量基础上利用神经网络相关技术更有效的进行图数据分析或挖掘工作,如在节点分类、链接预测及交通流预测等经典问题上取得效果显著.虽然研究者们在图嵌入方面已取得了诸多成果,但是面向时序图的节点嵌入问题却未被充分重视,本文便是在先前研究工作的基础上,结合信息在时序图中的传播特性,提出了一种对时序图节点进行自适应嵌入表达的方法ATGEB （Adaptive Temporal Graph Embedding）.首先,为了解决不同类型时序图节点活跃程度不同的问题,通过设计一种自适应方式对其活跃时刻进行聚类.而后,在此基础上设计一种游走模型用以保存节点对之间的时间关系,并将节点游走序列保存在一种双向多叉树上进而可以更快速的得到节点时间相关的游走序列.最后,在基于节点游走特性和图拓扑结构的基础上,对节点向量进行重要节点采样,以便在尽可能短的时间内训练出满足需求的网络模型.通过充分的实验证明,本文面向时序图的嵌入策略相较于现流行的嵌入方法,在时序图时序中节点间时序可达性检测以及节点分类等问题上得出了更好的实验效果.     

Energy-balanced multiple-sensor collaborative scheduling for maneuvering target tracking in wireless sensor networks

An energy-balanced multiple-sensor collaborative scheduling is proposed for maneuvering target tracking in wireless sensor networks (WSNs). According to the position of the maneuvering target, some sensor nodes in WSNs are awakened to form a sensor cluster for target tracking collaboratively. In the cluster, the cluster head node is selected to implement tracking task with changed sampling interval. The distributed interactive multiple model (IMM) filter is employed to estimate the target state. The estimat...