无线传感器网络成簇算法研究

将无线传感器网络节点组织成簇,实现层次化路由,通过数据融合,可以有效降低数据传输量,减少功耗,延长网络生存时间,是目前重点研究的路由技术.比较了主要的成簇算法,在均衡性改进、对异构网络的支持、不同的覆盖模型和数据发布模型的影响以及移动性等各方面做了归类讨论.系统分析了这些算法的内在特性、适用场景、对节点的要求以及算法的效果,并指出了尚待解决的一些问题和建议.     

一种及时恢复故障路由的无线传感器路由算法

无线传感器网络以其布网灵活,连接方便,功耗小,成本低,逐渐被应用于煤矿、消防、化工安全等民用领域.根据煤矿安全应用的特殊情况,提出一种无线传感器路由算法.该算法在定向扩散算法的基础上进行了改进,采用簇的方式,由簇首协调簇内节点的数据采集和整合,并且在每一煤层设置层首作为协调节点,通过层首之间建立的主干路由,有效地减少冗余数据的传播.该算法的特点就是能够及时恢复出现故障的路由.实验模拟结果也表明算法有效地减少了冗余数据和传输延时.     

基于MCF51JM128 的USB-CAN 适配器

为了实现车载计算平台与汽车内部电子模块的数据通信,通常需要设计一个CAN总线适配器。提出了一种基于USB的CAN总线适配器的设计与实现方法。在设计中采用了内部集成有USB OTG模块和MSCAN模块的MCF51JM128微控制器,使得适配器在设计和实现上简单易行。同时对该适配器在Linux系统上驱动程序的实现方法作出了描述。     

面向软件学院的“计算机网络”教学

针对当前软件学院课程设置和学生特点以及计算机网络的内在逻辑,提出重新组织教学内容次序,改进教学方法,强化实验手段,以激发学生兴趣,发挥学生主观能动性,增加学生的网络知识,提高科学素养、研究水平及动手能力。通过计算机网络课程,使学生了解和掌握更多计算机科学基本原理与研究方法。     

基于能量的WSN多跳簇生成算法

提出一种基于能量的多跳簇生成(EMHC)算法,根据剩余能量争先原则选择簇首,并采用最小通信代价的多跳簇内结构。通过OMNet++模拟器对算法进行实验,结果表明,EMHC形成的簇首分布较为均匀,可以利用最佳多跳路径节约传输能量,提高网络生存时间,与LEACH和HEED算法相比具有较大优势。     

面向优先车辆感知的交通灯优化控制方法

智慧交通灯控制能够有效地改善道路交通的秩序和效率.在城市交通网络中,具有紧急任务的特殊车辆对于通行效率的要求更高.目前已有的智慧交通灯控制算法通常对路网中的所有车辆一视同仁,没有考虑到特殊车辆的优先性;而传统的控制特殊车辆优先通行的方法基本上都是采用信号抢占的方式,对普通车辆的通行干扰过大.为此,提出一种面向优先车辆感...     

CPS处理器中的时间指令扩展研究及实现

物理进程具有内在的并发及实时特性,因此发展信息—物理融合系统（CPS）需要计算进程能表达这类特性。而传统的计算模式为了方便用户逻辑描述,随着抽象程度的提高逐步丢弃了对时间特性的精确描述。在嵌入式Java处理器JPOR-32基础上面向CPS应用增加了时钟寄存器和时钟计数器,并根据程序员对时间特性的需求,结合异常机制扩展了四条时间指令,使得用户可根据不同需求对时间进行精确控制。最后通过采用时间指令后图像处理程序在该CPS处理器上的运行结果验证了该时间控制机制的可行性、正确性及精确性。     

一种基于斯格明子介质的高效存内计算框架

存内计算(processing in memory, PIM)作为一种新兴的技术,支持数据在存储单元内就地处理,减少了数据的移动并增加了数据的并行处理,在一定程度上弥补了冯·诺依曼架构的缺陷.和传统易失随机存储介质相比,赛道型内存(racetrack memory, RM)具有密度大、非易失且静态功耗低等特点,支持高效的存内计算.为解决性能与功耗问题,提出了一种新型的基于斯格明子(Skyrmion)介质的非易失性存内计算框架.该框架采用斯格明子赛道内存(Skyrmion-based racetrack memory)作为存储单元,采用斯格明子逻辑门(Skyrmion-based logic gate)构成的加法/乘法器组成计算单元,无须大量CMOS(complementary metal oxide semiconductor)电路辅助,设计复杂度大大降低.同时,通过在电路级优化存储单元读写端口数目与在系统级改进内存地址映射方式,大幅提高该框架的运行效率.实验结果表明：相比基于磁畴壁(domain-wall)的非易失性存内计算框架,提出的框架在运行时间上节省了481%,同时在能耗上节省了42.9%.     

SWAM:SNN工作负载自动映射器

为了满足大规模脉冲神经网络(SNN)的计算需求,类脑计算系统通常需要采用大规模并行计算平台.因此,如何快速为SNN工作负载确定合理的计算节点数(即如何把工作负载合理映射到计算平台上)以获得最佳的性能、功耗等指标就成为类脑计算系统需解决的关键问题之一.首先分析了SNN工作负载特性并为其建立起计算模型;然后针对NEST类脑...     

基于精准通信建模的脉冲神经网络工作负载自动映射器

在分布式计算平台上运行大规模的脉冲神经网络（SNN）是提升类脑计算智能水平的基本手段之一,它的难点在于如何将SNN部署到对应数量的计算节点上,使整体系统的运行能效最佳。针对以上问题,在基于NEST的SNN工作负载自动映射器（SWAM）的基础上,提出一种基于精准通信建模的SNN工作负载自动映射器（SWAM2）。在SWAM2中,基于NEST仿真器对SNN工作负载的通信部分进行精准建模,并改进工作负载模型中参数的量化方法,设计了最大网络规模预测方法。在SNN典型案例上的实验结果表明,在工作负载通信以及计算时间的预测中,SWAM2的平均预测误差比SWAM分别降低12.62和5.15个百分点;在对工作负载最佳映射的预测中,SWAM2的平均准确率为97.55%,比SWAM高13.13个百分点。SWAM2通过自动预测SNN工作负载在计算平台上的最佳部署/映射,避免了手动反复实验的过程。