基于拓扑优化和链路感知的无线体域网路由协议

为解决无线体域网(Wireless Body Area Networks,WBAN)在人体运动过程中网络拓扑结构频繁变化导致链路质量和WBAN性能下降等问题,首先根据人体结构对WBAN网络拓扑进行优化,通过添加中继节点建立WBAN主干网,提供节点和hub之间相对稳定的链接,然后提出了适用于WBAN拓扑优化后的路由策略(Routing Protocol Based on Topology Optimization and Link Awareness,R-TOLA)。R-TOLA综合了链路质量感知和代价函数,通过调整主干网中继和节点中继获得最优化路径。仿真实验表明,基于拓扑结构优化和链路感知的R-TOLA协议和其他路由协议相比,在人体拓扑网络结构频繁变化的环境下具有网络生存时间更长、吞吐量更大等优势。     

一个基于MPEG-7颜色与形状的图像检索系统

结合MPEG-7的颜色与形状两种描述符设计出了一个新的图像检索系统,利用MPEG-7提供的主颜色描述符及基于区域的形状描述算法--角放射变换(ART)对图像进行特征提取、描述.实验用MPEG-7的评价准则进行评判,由包括花卉、自然风景及商标组成的图像库进行测试,结果表明,综合这两种特征进行检索比使用单一特征取得的检索效果更佳.     

改进的差分能量水印技术

文章对差分能量水印方法进行了改进。为了阻止经JPEG压缩后加水印图像在嵌入水印时建立的局部能量差可能会被擦除，在保证视觉质量不受影响的情况下，适当地增加子区A或B的能量，从而使得当。比较小时．能降低加水印图像经过JPEG压缩后的水印检测比特差错率。实验结果表明：在n较小时，这种改进是很有效的。     

面向分层B帧编码的帧级别码率控制算法

为了更有效地支持分层B帧编码结构,提出了一种帧级别码率控制算法.首先,根据编码内容的复杂度和可用信道带宽自适应选择最佳初始量化参数;其次,根据分层B帧的编码结构特点,分别从图像组级别、时域层级别以及帧级别进行码率分配;最后,采用二次码率-量化模型计算量化参数并进行调整.实验结果表明,该算法与传统的码率控制方法相比,在提高码率控制精度的同时,能带来最高1.5 dB的峰值信噪比增益.     

两种降低复杂度的符号翻转多元LDPC译码算法

该文提出两种低复杂度的基于符号翻转的多元低密度奇偶校验码(LDPC)译码算法:改进型多元加权译码算法(Iwtd-AlgB)和基于截断型预测机制的符号翻转(TD-SFDP)算法.Iwtd-AlgB算法利用外信息频率和距离系数的简单求和取代了迭代过程中的乘性运算操作;TD-SFDP算法结合外信息频率和翻转函数特性,对译码节点和有限域符号进行截断与划分,使得只有满足条件的节点和符号参与运算与翻转预测.仿真和数值结果显示,该文提出的两种算法在性能损失可控的前提下,可减少每次迭代的运算操作数,实现性能和复杂度之间的折中.     

基于周期分层重排构造的速率兼容凿孔极化码算法

受编码构造原理限制,极化(Polar)码的码长只能是2的幂次方,不能很好地适应信道状况和系统资源对编码参数在灵活性方面的要求.凿孔、缩短和重复操作是解决该问题的三种基本技术手段.本文从分层结构角度,提出一种基于周期性分层重排构造的凿孔设计算法,能够方便地得到码长和码率灵活可调的速率兼容极化码(Rate-Compatible Punctured Polar,RCPP);同时,算法在执行逐层分裂操作时对左右子图的凿孔位置数进行了设计,使得最终的凿孔图样具有均匀或准均匀凿孔(Quasi-Uniform Puncturing,QUP)的分布特性.仿真结果显示,在误帧率为1e-5时,本文算法相比于随机凿孔方案具有约0.3dB的增益,相比于传统的QUP方案也能获得约0.15dB的译码增益.此外,本文算法得到的凿孔图样更加丰富,能方便构造出更多实用的RCPP可选码型.     

一种利用优先经验回放深度Q-Learning的频谱接入算法

针对认知无线传感器网络中频谱接入算法的频谱利用率不高、重要经验利用率不足、收敛速度慢等问题,提出了一种采用优先经验回放双深度Q-Learning的动态频谱接入算法。该算法的次用户对经验库进行抽样时,采用基于优先级抽样的方式,以打破样本相关性并充分利用重要的经验样本,并采用一种非排序批量删除方式删除经验库的无用经验样本,以降低能量开销。仿真结果表明,该算法与采用双深度Q-Learning的频谱接入算法相比提高了收敛速度;与传统随机频谱接入算法相比,其阻塞概率降低了6%~10%,吞吐量提高了18%~20%,提高了系统的性能。     

人脸识别中基于系数相似性的字典学习算法

在现有的基于稀疏表示分类算法的人脸识别中,使用通过稀疏学习得到的精简字典可以提高识别速度和精确度。metaface学习(Metaface Learning,MFL)算法在字典学习过程中没有考虑同类样本稀疏编码系数之间具有相似性的特点。为了利用这一信息来提高字典的区分性,提出了一种基于系数相似性的metaface学习(Coefficient-Simi-larity-based Metaface earning,CS-MFL)算法。CS-MFL算法的学习过程中,在更新稀疏表示系数阶段加入同类训练样本稀疏编码系数相似的约束项。为了求解包含系数相似性约束的新的最优化问题,将目标函数中的两个l2范数约束项进行合并,将原问题转化为典型l₂- l1问题进行求解。在不同的人脸库上进行实验,结果表明,提出的CS-MFL算法能够获得比MFL算法更高的识别率,说明由CS-MFL算法学习得到的字典更高效且更具区分性。     

采用低秩与加权稀疏分解的视频前景检测算法

传统的鲁棒主成分分析模型能较好地解决视频前景检测问题.但是,若该模型的假设条件不能满足,算法性能会变差.针对此问题,本文提出了一种低秩与加权稀疏分解模型,通过对前景矩阵加权以增强其稀疏性.在建立加权矩阵的过程中,采用光流法获取每帧的运动矢量,以区分真实运动区域.其次,进一步提出一种增强模型,通过将加权矩阵作用于观测矩阵及背景矩阵,防止前景与背景的错误分离.实验结果表明,在无噪和有噪的情况下,提出的算法均能有效地分离监控视频中的前景和背景.