无线传感器网络能量感知增强树型路由协议研究

现有的无线传感器网络路由协议普遍采用设定固定最小能量阈值的方法来避免低剩余能量的节点被选为数据转发节点,以防止因节点过早死亡而导致的网络结构破坏。然而这种方法缺乏应用灵活性。在本研究提出的能量感知增强树型路由协议中,设定了随着网络整体能量下降而动态变化的节点剩余能量阈值,以使得网络中所有节点的能量均衡下降,且采用了同质化加权求和的方法将邻居节点节省的路由跳数和剩余能量同时考虑进路由决策过程。最后,实验结果显示该协议可进一步提高网络稳定性。

ZigBee技术在工业环境监测系统中的应用研究

介绍了ZigBee无线技术,在此基础上构建了基于ZigBee的工业环境监测系统,并说明了该系统的组网方式和工作模式。还详细设计了具有数据采集、发送、报警等多种功能的ZigBee通信模块,最终满足了系统故障防范功能的要求,提高了工业生产的安全性和可靠性。

基于多根多树结构的多播传感器网络编码方法

针对现有无线传感器网络结构中数据流向单一且多播网络编码实施过程复杂的缺陷,提出了一种基于多根多树(MRMT)结构的多播网络编码方法。利用基于位置和链接关系的父节点选择算法构建MRMT结构,为每个节点提供多个数据流向,利用能量相关的MRMT链接矩阵快速地获取源节点到目的节点的多条能量相关的分离路径,从而使得多播编码方式可以在MRMT结构上简单地实施。实验结果显示:该方法不仅促进了能耗均衡,延长了网络寿命,而且提高了网络带宽。

能量均衡的多根多树型协议研究

现有的无线传感器网络簇树型算法一般基于单一的根节点或Sink节点构成网络,因此,网络中的数据流向单一且能耗分布不均衡。为此,本文提出了能量均衡的多根多树型(Multi-roots Multi-trees,MRMT)协议,该协议采用基于位置和链接关系的父节点选择算法,建立多根多树结构(MRMT结构),为每个节点提供多个数据流向,解决了因数据流向单一带来的能量消耗不均的问题。另外,该协议生成能量相关的MRMT链接矩阵和MRMT父节点矩阵,并提出基于这两个矩阵的最短路径获取方法,降低了网络总体能耗。实验结果证明本文提出的MRMT协议均衡了网络能耗,提高了网络稳定性,延长了网络寿命。

基于ZigBee和IEC 61850的变电站监测系统

介绍了ZigBee无线通信技术,分析了基于IEC 61850的变电站自动化系统分层结构,并在此基础上构建了基于ZigBee的变电站监测系统,设计了适用于变电站数据采集、发送和支持防误处理的ZigBee通信模块,该模块可以实现变电站各层之间的信息同步,提高变电站监测系统的安全性和可靠性。

基于开放教学资源平台的创新实验课程设计——以上海理工大学电工电子实验中心为例

为促进电工电子实验课程的教学模式改革,在开放教学资源平台中构建了包含项目库和模块库的电工电子创新实验课程系统,并运用该系统实现了面向技能训练的模块化教学形式和面向系统研发能力的项目化教学形式,有效提高了学生的实践创新能力。

基于作用力模型的传感器网络簇型协议

现有的无线传感器网络簇型算法忽视了簇头和簇成员之间的通信代价不均衡和"孤立簇头"等问题。提出了一种基于作用力模型的移动簇型协议,该协议在簇头选举时兼顾节点剩余能量和节点密度;在簇头选举后,该协议使簇头节点根据基于簇成员剩余能量和距离的作用力模型自适应移动,以均衡簇头和簇成员之间的通信代价。另外,为了实现簇头节点之间的全连通,提出了中继节点选举算法。实验结果显示:该协议能够有效地均衡网络能耗,进一步提高网络稳定性。

融合SEIR与LSTM模型的传染病预测研究

针对现有的传染病预测模型未充分考虑时间序列的复杂度且预测性能不稳定等问题,提出一种基于传染病动力学模型SEIR与长短时记忆网络(LSTM)的传染病组合预测模型.首先,通过计算Pearson相关系数分析气候因素与传染病新增人数之间的相关性;其次,通过FE(Fuzzy Entropy)算法提取序列的局部特征且保证序列的平稳性,降低时间序列的复杂度,提升时间序列的可预测性;最后,根据传染病特点,构建SEIR模型分析不同人群传播情况,并结合LSTM模型实现大幅度提升传染病预测精度.仿真结果表明,相较于传统的模型算法,本文提出的混合模型能保证预测的平稳性并实现更高的预测精度,同时,本文使用该混合模型在不同的干预策略下进行预测,表明了提早采取防控措施对遏制传染病传播的重要性.

面向实时环境的车机协同包裹配送路径规划

针对借助中转点进行跨区域包裹配送的路径规划问题,现有规划方法大多忽略了中转点处实时环境变化对配送效率的影响,本文提出了一种面向中转点实时环境的车机协同配送路径规划方法。该方法考虑了中转点之间的车辆和无人机的流量与简单环境参数,并将这些参数结合各自到中转点的路段距离来分别计算车辆与无人机的配送成本。考虑到无人机能量与配送截止时间等约束,该方法建立了以最小化配送成本为目标的数学模型,并在两阶段求解,在第一阶段使用遗传算法求解包裹由车辆配送的路径,在第二阶段搜索出包裹由无人机配送的路径。仿真实验表明,所提出的方法能够有效地降低包裹配送成本,提高配送成功率。

卫星物联网中面向多类型任务的计算卸载策略

边缘计算与卫星物联网相融合,可以将本地物联网设备产生的任务在靠近边缘端进行处理,极大地缓解了本地物联网设备的计算压力。然而,鉴于卫星物联网中计算任务具有多样性,由于任务特性不同需求也不同,针对每一种任务类型部署一套计算卸载策略会导致计算资源的浪费。此外,由于卫星物联网中计算任务产生具有随机性,如果仅考虑系统短期优化会导致计算设备的计算资源利用不足,进一步导致任务处理时延的增加。为解决上述问题,提出了一种基于DQN(deep Q-network)多类型任务计算卸载策略,该策略引入排队论以最小化长期系统任务处理平均时延,并且为提升模型训练结果,在训练阶段重新设计了探索机制。最后,大量仿真结果表明,与其他卸载策略相比,所提策略能有效降低系统任务处理的平均时延。

融合CNN与BiLSTM模型的短期电能负荷预测

针对卷积神经网络(CNN)在捕捉预测序列间历史相关性方面的不足以及在变量复杂情况下出现的无法精准提取预测关键信息的问题,提出一种将双向长短期记忆网络(BiLSTM)与卷积神经网络结合的CNN-BiLSTM模型.首先,采用数据预处理方法保证数据的正确性和完整性,并对数据进行分析以探究多变量之间的相关性;其次,通过CNN与L1正则化对多维输入特征进行特征筛选,选取与预测相关的重要性特征向量;最后,使用BiLSTM对CNN输出的关键特征信息进行保存,形成向量与预测序列,并通过分析时序特征的潜在特点,提取用户的内在消费模式.实验比较了该模型与其他时序模型在不同时间分辨率下的预测效果,实验结果表明,CNN-BiLSTM模型在不同的回望时间间隔下表现出了最佳的预测性能,能够实现更好的短期负荷预测.

卫星物联网中联合资源分配的边缘计算卸载策略

卫星物联网通过引入边缘计算技术将计算能力下沉至靠近用户的边缘服务器上,使用户的服务质量得到了提升.然而计算资源有限的边缘服务器在面对大量的突发卸载任务时可能会出现过载的情况,导致任务的处理时延增加.本文将上述问题转化为马尔可夫决策过程下的最优策略问题,提出了一种基于D 3PG(Dueling Double Deterministic Policy Gradients)的联合资源分配的边缘计算卸载算法.该算法利用Double Q-learning思想和Dueling架构重新设计了DDPG(Deep Deterministic Policy Gradients)算法中的价值网络,以提高计算卸载决策的准确性.仿真结果表明,与传统的算法相比,该算法能有效降低系统的平均时延和能量消耗,提高任务的完成率.

基于图神经网络和多主体评价的教学资源推荐

在现有的教学资源推荐系统中算法和模型不断进步,但推荐策略仍然停留在学生偏好分析或内容相关性计算两方面,忽略了教学资源推荐中授课教师对教学目标的掌控以及企业导师的实践价值引导作用。为此,提出一种基于图神经网络和多主体评价的教学资源推荐方法,综合考虑学生、教师和企业导师3个主体的评价,并解决多主体评价导致的小样本问题。首先,构建包含教学资源和知识点的异质图,通过异质图嵌入分别获取教学资源和知识点的特征向量表征,计算教学资源与知识点的相关性;然后,设计多主体评价机制,分别制定针对学生、教师和企业导师3个不同主体的细粒度评价指标,利用基于图神经网络的小样本学习(GNN-FSL)模型获取不同主体对教学资源的评分向量估计;最后,利用注意力机制来综合不同主体的评分向量估计以及教学资源与知识点的相关性对推荐结果的影响。实验结果表明,该方法在小样本训练中具有较好的评分向量估计准确度优势,并且融合多个主体评价和增加细粒度多主体评价指标的两大措施均对提升推荐准确度和学习成绩具有显著作用。

基于子网融合的多智能体系统自组网连通性恢复方法

在受损的多智能体自组网中,在维持现有连通结构的前提下快速恢复全连通极具挑战性。为此,提出一种基于子网融合的多智能体系统自组网连通性恢复方法。首先,该方法设计基于网络故障探测的子网划分算法来确定系统中的故障节点以及子网割裂情况。其次,该方法在子网内部署领航-追随者的主从移动模型,从而维持子网内部的稳定性。最后,该方法设计基于强化学习的子网融合算法,根据建立强化学习模型来进行领航者选举,依据智能体移动距离和智能体能量消耗设计奖励函数,引导子网完成周期性领航者选举的动作,领航者带领追随者移动实现子网之间的融合,从而实现全网连通性恢复。实验结果表明,相比于现有方法,该方法在实现连通恢复时所需的时间平均减少了11.3%,系统所产生的能量消耗平均降低了10.58%,证明该方法在效率和能耗方面更具优势。

基于目标引导的电子实验渐进创新教学法

针对电子实验教学的现状,提出以系统实验为主线的电子实验阶段渐进创新教学法,构建以基本操作能力、自主设计能力和综合创新能力培养的三层实践教学体系。通过贯穿式实验教学模式,让学生将所学的课程结合起来,激发学生主动学习兴趣,逐步培养学生的综合素质与创新能力。

基于能量效益的无人机辅助移动群智感知系统任务分配

与传统移动群智感知系统的感知工人相比,无人机具有能够执行危险任务、易控制、不需要额外的激励成本等优点,因此无人机更适合作为任务执行的主体。然而无人机的能量有限,且感知任务的完成时间有限制,因此如何综合考虑以上2个因素设计一种高效的任务分配方法是一个关键问题。由此提出一种基于能量效益的无人机辅助移动群智感知系统任务分配方法,在能量效益最大化的同时提高系统任务完成率。该方法首先在无人机获得的回报和消耗的能量基础上定义了能量效益计算方式,用于评价任务分配方案的优劣;然后,设计了一种改进的模拟退火遗传算法以获得能量效益最大化的任务分配方案。经实验证明,与其他基准算法相比,所提出方法在任务平均能耗、系统任务完成率、系统能量效益有更好的表现。

面向多类型资源需求的机器人任务分配方法

针对多机器人系统中任务的多类型资源需求问题,单个机器人往往因能力有限而无法胜任,需要多个机器人来协同完成。为此,提出了一种面向多类型资源需求的任务分配优化模型,在单个机器人携带资源有限的情况下,为任务分配合适的机器人协同小组。该模型综合考虑了影响任务协同成本的时间、移动距离、资源利用率等因素,设计了任务的协同成本函数,并提出基于纳什均衡策略的任务分配方法。该方法首先通过遗传算法为更多的任务分配符合其资源需求的初始机器人小组,然后利用博弈论中的纳什均衡思想为初始机器人小组寻找最优平衡解,最终得到满足纳什均衡解的机器人小组,从而降低任务的协同成本。实验结果表明,本文所提方法能有效提高任务完成率和降低任务的平均协同成本。

基于选择的移动群智感知反向拍卖激励机制

由于移动群智感知中工人和平台的自私性,社会福利和数据质量往往难以达到平衡,损害了基于移动群智感知的服务可用性和准确性。为了解决这一问题,本文提出一种基于选择的反向拍卖激励机制,分别研究反向拍卖中以工人为中心的任务选择和以平台为中心的工人选择,在最大限度提高社会福利的同时优化数据质量。首先,根据工人和任务的位置等属性评估工人与任务之间的匹配度,提出基于动态规划的任务选择算法,在工人资源约束下为每个工人选择具有最佳回报的任务进行投标;其次,使用多臂赌博机建模反向拍卖赢家选择过程,并设计了一种基于置信度上界的赢家选择算法,以确定最佳中标工人集;最后,实验验证本文所提出的激励机制能够同时有效提升社会福利和数据质量。

卫星物联网中基于能量感知的自适应节能路由策略

随着5G技术的发展和6G技术的研究,低轨卫星网络在卫星物联网中的地位越发重要,而作为网络核心技术的路由策略仍面临一些挑战。本文针对低轨卫星网络拓扑结构动态变化、链路的不连续性、卫星能量供应受限等问题,为了及时感知星间链路状态和卫星的能量并选择正确的路由,将卫星物联网中的路由选择问题转化为马尔可夫决策过程下的最优策略问题,提出一种基于Dueling DQN(Dueling Deep Q Network)的自适应节能路由算法。该算法通过改进DQN中神经网络的架构,大幅度地提升了学习的效果。仿真结果表明,与传统的DQN算法相比,该算法能有效降低系统能耗,均衡网络负载,提高网络吞吐量。

基于LBSN数据聚类分析的城市POI感知方法

城市POI的分布情况客观反映了一个城市各行各业的发展情况,传统获取POI的测绘手段成本高、更新周期长、时效性差,而基于位置的社交网络(Location-Based Social Network,LBSN)平台的发展为实现城市POI的感知提供了一种新思路。本文提出一种基于LBSN数据聚类分析的城市POI感知方法,首先,对LBSN数据进行预处理,包括清洗重复数据、删除无效数据、数据预分类等,以提高数据的有效性;其次,提出一种改进的DBSCAN算法,对处理后的数据进行聚类分析,从而得到准确度较高的城市各类POI分布情况。实验结果表明,与传统的DBSCAN算法以及K-means算法相比,本文提出的算法有更好的聚类效果,且在聚类指标上有更大的CH指数值和更小的DBI指数值。