基于Voronoi图划分的节点模糊信息定位算法

针对基于接收信号强度的无线传感器网络节点定位算法精度低的问题,提出一种基于Voronoi图划分的节点模糊信息定位算法。根据锚节点个数对定位区域进行Voronoi图划分,将整个定位区域划分为不同的Voronoi区域,同时获得各个Voronoi区域的顶点坐标。使用高斯滤波方法筛选出可以作为参考节点的顶点坐标,通过顶点坐标和锚节点联合定位未知节点。利用模糊信息定位方法计算出未知节点的最终位置。实验结果表明,相比M ANLFI算法和FINL-DT算法,该算法能够有效提高节点定位精度,降低网络能耗。     

网络测量及流量采集技术综述

对网络测量进行了定义,描述了网络测量的功能以及网络测量的方法,介绍了RFC中定义的网络性能度量值的概念,最后对网络流量测量中经常用到的流量采集技术进行了分析和比较.     

对于IPv6网络中服务质量的研究

随着Internet的迅速发展,新型的网络应用对QoS的需求日益迫切,为了使网络能够支持已有的和新出现的多媒体服务与应用,保证通信与服务质量,让网络运营商控制网络资源及其使用,对于QoS的研究越来越重要。首先介绍QoS的相关概念,然后比较IPv4和IPv6对于服务质量的不同支持并具体研究IPv6下对于支持QoS机制的改进。     

基于脉冲序列核的脉冲神经元监督学习算法

脉冲神经元应用脉冲时间编码神经信息,监督学习的目标是对于给定的突触输入产生任意的期望脉冲序列.但由于神经元脉冲发放过程的不连续性,构建高效的脉冲神经元监督学习算法非常困难,同时也是该研究领域的重要问题.基于脉冲序列的核函数定义,提出了一种新的脉冲神经元监督学习算法,特点是应用脉冲序列核构造多脉冲误差函数和对应的突触学习规则,并通过神经元的实际脉冲发放频率自适应地调整学习率.将该算法用于脉冲序列的学习任务,期望脉冲序列采用Poisson过程或线性方法编码,并分析了不同的核函数对算法学习性能的影响.实验结果表明该算法具有较高的学习精度和良好的适应能力,在处理复杂的时空脉冲模式学习问题时十分有效.     

校园信息网建设中的无线网络技术应用

本文介绍了无线局域网的技术特点、网络协议、传输方式以及基本拓扑结构。在此基础上讨论了无线网络在校园网建设中的应用及其相关技术。     

新型Elman混沌神经网络的流量预测

根据实际网络中测量得到的网络流量数据,提出一种改进型Elman神经网络模型——季节性输入多层反馈Elman网络。在网络权值的训练过程中引入混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,以减少数据冗余,解决局部收敛问题。实验结果表明,该模型及其算法有效提高了网络的训练速度及网络流量的预测精度。     

基于Improved-HMM的进程行为异常检测

针对传统隐马尔可夫模型(HMM)状态转移概率仅与前一状态有关的不足,提出了一种改进的隐马尔可夫模型(Im-proved-HMM),该模型考虑到状态转移概率与前两时刻状态相关,旨在提高异常检测准确率。用基于Improved-HMM的Baum-Welch(BW)算法对正常进程行为进行建模,并采用滑动窗口的方法,检测进程行为是否处于异常状态。实验结果表明,该模型的检测准确率高于传统的HMM模型,能及时、准确检测到进程行为的异常。     

基于碰撞识别的优先级仲裁策略

针对单一信道下可用资源的分配问题,提出了基于碰撞识别的优先级仲裁策略,在研究了曼彻斯特编码特点的基础上,设计了一种新的编码方案,推导了优先级生成的模型,分析了仲裁的效率。仿真结果表明,在采用基于时分复用的MAC协议的前提下,同传统的逐节点询问方式相比,仲裁时间缩短为原来的四分之一。     

基于短相关ARIMA模型的网络流量预测

不同日期同一时刻的网络流量存在相关性和突发性。为准确预测网络流量,提出一种短相关ARIMA模型。对模型定阶后,运用改进的建模方法推导模型参数,使参数随样本数据的变化而更新。实验结果表明,与AR模型和ARIMA模型相比,该模型能更好地描述网络的相关性和自相似性,预测精度较高。