基于压缩感知的移动群智感知任务分发机制

针对移动群智感知任务中区域全覆盖感知成本过高问题，提出基于压缩感知的移动群智感知任务分发（CS-TD）机制。首先提出了感知任务整体成本模型，该模型综合考虑了参与感知任务的节点个数、节点的感知次数与数据上传次数；然后基于成本模型，分析感知节点的日常移动轨迹，结合压缩感知数据采集技术，提出了一种基于感知节点轨迹的压缩感知采样方法；其次通过区域全覆盖最少节点（RCLN）算法，选出最佳节点集合，对节点进行任务分配，利用压缩感知技术恢复节点数据；最后在多次感知任务的迭代中对感知节点的可信程度进行评定，保证任务方案的最优性。对CS-TD分发模型进行多次实验验证，与已有的CrowdTasker算法相比，CS-TD算法平均成本降低了30%以上。CS-TD模型能有效降低感知节点的消耗，能在全覆盖感知任务中降低整体感知成本。     

融合重检测机制的卷积回归网络目标跟踪算法

针对基于人工特征的背景感知相关滤波（CACF）算法在形变、运动模糊、低分辨率情形跟踪效果较差以及跟踪器遇到严重遮挡等情形容易陷入局部最优而导致跟踪失败的问题，提出一种融合重检测机制的卷积回归网络（CRN）目标跟踪算法。在训练阶段，将相关滤波作为CRN层融入进深度神经网络，使网络成为一个整体进行端到端训练；在跟踪阶段，通过残差连接融合不同网络层及其响应值，同时引入重检测机制使算法从潜在的跟踪失败中恢复，当响应值低于给定阈值时激活检测器。在数据集OTB-2013上的实验表明，所提算法在50个视频序列上精确度达到88.1%，相比原始CACF算法提高9.7个百分点，在具有形变、运动模糊等属性的视频序列上相比原始算法表现更优秀。     

改进卷积输入的端到端普通话语音识别

主流神经网络训练的交叉熵准则是对声学数据的每个帧进行分类优化，而连续语音识别是以序列级转录准确性为性能度量。针对这个不同，构建基于序列级转录的端到端语音识别系统。针对低资源语料条件下系统性能不佳的问题，其中模型使用卷积神经网络对输入特征进行处理，选取最佳的网络结构，在时域和频域进行二维卷积，从而改善输入空间中因不同环境和说话人产生的小扰动影响。同时神经网络使用批量归一化技术来减少泛化误差，加速训练。基于大型的语言模型，优化解码过程中的超参数，提高模型建模效果。实验结果表明系统性能提升约24%，优于主流语音识别系统。     

增强现实场景下移动边缘计算资源分配优化方法

针对高速数据传输及计算所带来时延和终端设备能耗问题，提出了一种在上行链路采用等功率分配的传输方案。首先，依据增强现实（AR）业务的协作属性建立了针对AR特性的系统模型；其次，详细分析了系统帧结构，建立以最小化系统消耗总能量为优化目标的约束条件；最后，在保障延迟和功耗满足约束的条件下，建立了基于凸优化的移动边缘计算（MEC）资源优化求解数学模型，从而获得最优的通信和计算资源分配方案。与独立传输相比，该方案在最大延迟时间分别为0.1 s和0.15 s时的总能耗降幅均为14.6%。仿真结果表明，在相同条件下，与基于用户独立传输的优化方案相比，考虑用户间协作传输的等功率MEC优化方案能显著减少系统消耗的总能量。