无线体域网节点数据压缩节能方法

无线体域网(WBAN)节点通常采用电池供电,能量有限且不易频繁更换.为降低节点能耗,提出了一种数据压缩节能方法,采用稀疏表示分类算法识别正常信号,运用压缩感知(CS)理论进行信号压缩采样,将压缩信号发送至基站并进行重构.对WBAN节点采集的心电图信号进行仿真分析,结果表明:心电图信号经压缩后,具有较好的识别与重构性能,在确保数据传输精度前提下,减少了数据采集量和传输量,有效地降低了WBAN节点能耗.     

基于改进双跳无线体域网的身份认证方案

在无线体域网（WBAN）的身份认证中,针对原方案通◢信传感器节点可追踪和不具备匿名性的缺点,提出一种改进双跳身份认证方案,并保留了原方案的高效运算特性。引入了二级节点N的保密密钥和核心节点HN的身份验证参数两个独立的保密参数,并让二级节点N的保密密钥独立。并与原方案保密值组成三个保密值,通过三个保密值来确保◣参数的保密性和新鲜性。安全性分析和BAN逻辑表明所提方案具备不可追踪性和匿名性,且计算成本与原方案相近,通信成本更低,存储成本略有上升。所提方案是原方案的有效改进。     

WSNs中基于期望网络覆盖和分簇压缩感知的数据收集方案

为提高无线传感器网络数据收集精确度、降低网络能耗和改善数据包丢失情况下数据收集算法的鲁棒性,提出一种基于期望网络覆盖和分簇压缩感知的数据收集方案.首先设计期望网络覆盖优化算法,给出节点调度策略,实现对“特殊”区域重点观测和降低节点能耗的目的;然后通过分析网络分簇与节点部署之间的关系,设计弱相关性观测矩阵,降低数据包丢失对数据收集的影响;最后引入群居蜘蛛优化算法以提高汇聚节点处CS数据重构精度.仿真结果表明,与其他数据收集算法相比,所提出方案数据重构误差降低了约23.5{%     

基于和声搜索算法和相关向量机的网络安全态势预测方法

针对当前网络安全时变性、非线性、预测评估难的现状,提出一种基于和声搜索算法和相关向量机(HS-RVM)的网络安全态势预测方法,以弥补现有预测方法在预测精度方面的不足。在预测过程中,首先对网络安全态势样本集进行归一化处理和相空间重构;然后,通过利用和声搜索(HS)算法搜索相关向量机(RVM)最优的超参数,以得到预测精度和速度都得到提升的网络安全态势预测模型;最后,采用Wilcoxon符号秩检验验证模型预测性能之间的差异性。仿真实例表明,所提预测方法的平均绝对百分误差(MAPE)和均方根误差(RMSE)分别为0.49575和0.02096,预测性能优于改进和声搜索(IHS)算法优化的正则极速学习机(RELM)预测模型和PSO算法优化的支持向量机回归(PSO-SVR)模型,Wilcoxon符号秩检验结果显示预测性能之间具有显著的差异性。所提预测方法能够较为精确描述网络安全态势变化规律,有利于网络管理者及时掌握网络安全态势变化趋势。     

基于迭代误差补偿的核极端学习机模型在短期电力负荷预测中的应用

针对BP神经网络方法制约短期电力负荷预测精度的问题,提出一种基于迭代误差补偿的核极端学习机(KELM-IEC)预测模型。首先,建立短期电力负荷预测模型的输入指标体系,选择月份、日期、星期、周数、是否为节假日、日平均气温、前一日的最大负荷量等影响电力负荷的7个因素作为预测模型的输入;其次,基于新型神经网络模型--核极端学习机(KELM),建立负荷预测模型,引入支持向量机(SVM)的核函数映射作为极端学习机(ELM)的隐含层节点映射,有效结合ELM结构简单、训练简便与SVM泛化能力强的优势,提高负荷预测精度;最后,基于时间序列预测中迭代误差补偿(IEC)技术,建立IEC模型,再次利用KELM对负荷预测模型的预测误差进行学习,从而对预测结果进行补偿和修正,进一步减小模型预测误差,提高预测性能。采用两组实际电力负荷数据进行仿真实验,其中,KELM-IEC模型与BP神经网络模型相比,平均绝对百分误差(MAPE)分别降低了74.39%和34.73%,最大绝对误差(ME)分别降低了58.34%和39.58%;同时与KELM模型相比,平均绝对百分误差分别降低了18.60%和4.29%,最大绝对误差分别降低了0.08%和11.21%,说明误差补偿策略的必要性。实验结果表明,KELM-IEC预测模型能够有效地提高短期电力负荷预测的精度,有利于改善电力系统的计划、运营和管理,保障生产和生活用电,提高经济效益和社会效益。     

群智感知环境中基于GRU网络的用户位置预测模型

在感知区域内用户分布稀疏的情况下,提前预测用户的位置是群智感知系统提高任务完成率的关键。提出了一种基于门控循环单元的用户位置预测模型。首先,构建了群智感知系统模型,实现了基于位置的参与式感知应用。然后,将用户位置的数据集做归一化处理,并结合用户历史位置数据的多维度特征构建了门控循环单元结构。最后,利用车联网中实际轨迹数据集对模型进行训练,并采用Adam算法对基于门控循环单元的用户位置预测模型的性能参数进行了优化。仿真结果表明,相比于RNN模型和LSTM模型,所提模型的预测均方误差分别降低了22%和18%,且在处理序列数据方面具有可实施性强的优势。     

基于ISOA的LS-SVM地铁站空调系统能耗预测模型

为提高地铁站空调系统能耗的预测精度,利用最小二乘支持向量机（Least Squares Support Vector Machines, LS-SVM）建立能耗预测模型是一种有效的方法。但是LS-SVM在处理大规模数据集的回归问题时难以确定最佳模型参数值,较大程度地影响了模型的拟合精度和泛化能力。为此,提出一种从算法搜索步长和搜索方向这2个方面进行改进的人群搜索算法（Improved Seeker Optimization Algorithm, ISOA）对LS-SVM建模过程中的模型参数进行优化选择。将所提出的基于ISOA-LS-SVM建立的能耗预测模型应用于北京某高校地铁实训平台。研究结果表明：该模型能够准确预测出系统能耗,相比于网格搜索法、粒子群算法以及传统的人群搜索算法,优化的LS-SVM在速度和精度上都有所提升。     

移动机器人视觉伺服镇定quasi-min-max预测控制

针对受限移动机器人视觉伺服系统,提出一种移动机器人视觉伺服镇定准最小最大模型预测控制策略. 基于移动机器人视觉伺服镇定误差模型,建立移动机器人视觉伺服线性参数时变预测模型,进而引入准最小最大策略,设计移动机器人视觉伺服镇定模型预测控制器.与传统视觉伺服预测控制器相比,所提控制器只需求解线性矩阵不等式表示的凸优化问题,降低了视觉伺服预测控制器的计算耗时,同时保证了闭环视觉伺服系统的渐近稳定性.仿真结果验证了所提出策略的有效性和在计算效率上的优越性.     

移动边缘计算环境下体域网高效任务卸载方案

移动边缘计算（mobile edge computing,MEC）近年来成为解决无线体域网（wireless body area network,WBAN）计算资源匮乏的热门方法之一，但在现有的研究工作中，并没有将患者身边的计算资源充分利用起来，容易造成网络的拥堵。针对这种情况，提出了一种联合蜂窝、WiFi网络与设备到设备（device to device,D2D）通信的高效任务卸载方案，充分利用了WBAN应用场景中的多种计算资源，有效减少了蜂窝网络的负载，提高了系统的可靠性。设计了一种低复杂度的遗传算法，在同时考虑患者时延、能耗以及经济开销条件下，得到系统的最小卸载总成本。实验仿真结果表明，相比于随机卸载、蜂窝卸载、无WiFi卸载、无D2D卸载，该方案可以更有效降低系统总成本，为患者提供更高的服务质量。     

基于MC的风电场参数预测模型的误差修正

风速的随机性和间歇性等特点使得目前风电场参数预测模型存在较大的预测误差,对此提出了采用马尔科夫链(MC)方法对模型的预测误差进行修正。分别求出参数的实际值与模型预测值之间的误差序列,利用模糊C-均值聚类算法对其进行状态划分;根据各误差状态计算出MC状态转移概率矩阵,进而计算模型预测误差修正值,最终得到精度较高的预测值。采用MC方法分别对广义回归神经网络(GRNN)模型、T-S模糊神经网络模型以及Elman神经网络模型的预测误差进行修正,并应用MC修正后的3种模型对山西某风电场测风塔不同步长风速进行预测仿真实验研究,分析讨论了MC对各预测模型误差的修正效果。仿真结果表明,所提出的误差修正方法能够有效提高测风塔风速预测精度,为预测模型的误差修正提供了一种有效的实用的方法。     

基于因子图和联合消息传递的无线网络协作定位算法

针对现有基于消息传递算法的无线网络节点定位算法复杂度和通信开销过高的问题,提出一种基于测距的、低复杂度低协作开销的联合消息传递节点定位算法。所提算法考虑参考节点位置的不确定性以减少误差累积,并将消息约束为高斯函数以降低通信开销。首先,根据系统的概率模型和因子分解设计因子图;然后,根据状态转移模型和测距模型的特点,分别使用置信传播和平均场方法计算预测消息和协作消息;最后,在每次迭代过程中,通过非线性项的泰勒展开将非高斯置信消息近似为高斯函数。仿真分析表明,所提算法的定位性能与基于粒子的SPAWN算法接近,但节点间传输的信息由大量粒子变为均值向量和协方差矩阵,同时计算复杂度也大幅降低。     

基于MSTSO算法的冷水机组负荷分配模型研究

为降低空调系统的运行能耗,优化冷水机组的负荷分配,首先提出了一种多策略改进的金枪鱼优化算法(MSTSO),引入黄金正弦觅食机制和非线性惯性权重来加强算法对最优解的全局定位能力;通过蜜獾随机搜索策略赋予算法更强的性能以跳出局部最优。接着利用双向长短期记忆网络(BiLSTM)搭建能效预测模型并用MSTSO算法对其初始参数进行寻优从而获得最佳训练效果。最后进一步提出BiLSTM-MSTSO负荷分配模型,对多台冷水机组的负荷进行合理分配与优化。实验结果表明,优化后的BiLSTM预测模型拥有更高的预测精度,MSTSO算法相较其他智能优化算法可以减少更多的能耗并最大化提升冷水机组的运行效率。因此BiLSTM-MSTSO智能模型适用于多冷水机组的能耗预测与优化。     

最短路径距离矩阵修正的多维标度定位算法

为了减小最短路径距离矩阵与欧氏距离矩阵之间的差异,提高MDS-MAP(C)算法的节点定位精度,提出一种改进的多维标度节点定位算法.该算法对MDS-MAP(C)算法进行了以下改进:采用启发式的搜索策略对最短路径距离矩阵进行修正,以减少最短路径距离矩阵与实际的欧氏距离矩阵之间的误差;利用smacof算法迭代误差函数代替SVD分解来求解节点的定位问题,以优化和改善节点定位的求解过程.实验结果表明,与MDS-MAP(C)算法相比,改进算法能够减少最短路径距离的误差,有效提高节点的定位精度,并且对不规则网络具有更好的适应性.     

无线传感网络中移动节点定位技术研究

现有的定位方式因为需要建立网络模型和能量消耗不平均的现象,故不适用于有少量节点随机移动的无线传感网络.针对此类无线传感网络中各节点的定位问题,在分析了定位的计算复杂度和能量损耗的前提下,提出了分簇定位算法,在簇的范围内对发生移动的节点采用接收信号强度测距(RSSI)与质心定位相结合(CLA)的方法进行定位.分析与仿真结...     

An efficient unsupervised band selection method based on an autocorrelation matrix for a hyperspectral image

In the field of unsupervised band selection, minimum linear prediction (LP) error is a commonly used criterion function. To avoid the large computational complexity, sequential forward selection (SFS) is often employed for subset search in LP-based methods. In this article, we propose a highly efficient LP-based band selection method termed autocorrelation matrix-based band selection (ACMBS), which adopts the sequential backward selection (SBS) as subset search strategy. Interestingly, the LP error is finally transformed into the inverse of the autocorrelation matrix in ACMBS. Thus the computational complexity of ACMBS is significantly reduced. Moreover, we further improve the accuracy of ACMBS by employing relative error, instead of absolute error, as a cost function which is invariant to the magnitude of bands. The results of the experiment show that ACMBS is quite efficient and outperforms the other compared methods in terms of classification accuracy as well.     

AVS-M亚像素运动估计快速算法

针对AVS-M亚像素运动矢量搜索的复杂性,提出一种基于预测的亚像素运动估计快速搜索算法。算法通过分析亚像素候选点的匹配误差关系排除可能性小的点,保证了亚像素搜索的准确性。通过有效的搜索策略,对于不同运动特征的视频序列,在平均PSNR下降不超过0.01 dB的情况下,与亚像素全搜索算法相比,搜索点数减少65.25%~87.69%,与中心偏置亚像素搜索算法相比,搜索点数减少43.67%~67.38%,有效减少了亚像素运动估计的计算量。     

用于AVS视频编码的快速子像素运动搜索算法*

AVS视频编码采用1/2像素和1/4像素精度的运动搜索,算法复杂度较高。为此,提出了一种新的基于双线性插值的快速子像素运动搜索算法,该算法大大降低了子像素运动搜索的复杂性,且非常适合硬件实现。实验结果表明,新算法在保证原算法视频质量基本不变的前提下,计算复杂度降低了40%以上。     

融入注意力和密集连接的轻量型人体姿态估计

目前多数人体姿态估计方法聚焦于提升预测结果的准确性,从而造成了网络参数量大和运算复杂度高等问题。为缓解该矛盾,在高分辨率网络的基础上提出一种融入注意力和密集连接方式的轻量型人体姿态估计网络。重新设计高分辨率网络中的瓶颈模块,从而降低部分网络运算复杂度;改进引入的注意力机制并结合密集连接方式构建了轻量型模块,将其替换高分辨率网络的基础模块,使网络保持一定准确性的同时大幅缩减模型参数量和运算复杂度;利用多分辨率特征和反卷积重新设计网络输出的特征融合方式,最大程度提升模型预测精度。在公开数据集MPII和COCO上的实验结果表明,相比较于高分辨率网络,所提网络模型参数量减少了71.5%,在MPII验证集上,运算复杂度缩小了35.8%,在COCO验证集上,运算复杂度缩小了35.2%,平均准确率提升了0.6个百分点,即网络能在保证检测精度的基础上有效降低网络复杂度。     

新的多八边形快速运动估计算法

由于对编码的高精度和低复杂度的要求,H.264视频编码标准已经采用了UMHexagonS算法作为其可行的块运动估计实施方案。提出了一种新的UMHexagonS改进算法,改进主要在三个方面：第一,增加了一个新的初始预测矢量,以避免过早陷入局部最优;第二,一个小八边形搜索和两个后续的小菱形搜索取代了UMHexagonS算法中的5×5全搜索,这在一定程度上减少了计算量;第三,多八边形格点搜索取代了多六边形格点搜索,这不仅减轻了运算量负担,也在方向上能更好更快地搜索到最佳运动矢量。实验结果表明,所提出的方法不仅能保证UMHexagonS算法的编码效果,同时还能减少5%~10%的运算量,从而节省编码时间。