基于改进型白鲸算法的RFID网络规划

随着射频识别(Radio Frequency Identification,RFID)技术的发展,人们对其应用的要求越来越高,在阅读器部署方面的研究也逐渐深入。为了解决规定区域内RFID阅读器位置规划问题,在划定的区域内,以标签覆盖率、阅读器间的碰撞干扰、负载均衡为目标来建立数学优化模型,在白鲸算法的基础上提出了一种改进型白鲸算法。首先,针对标准白鲸算法存在易陷入局部最优、丢失次优解的缺陷,提出了一种更新精英群体机制;其次,为了增强算法的探索能力,加入了反向学习策略;最后,运用该算法来解决RFID网络规划问题。通过在一定环境中放置不同数量集群和随机分布的标签,将改进型白鲸算法与粒子群算法、灰狼算法和标准白鲸算法进行对比。仿真结果表明,在相同环境下,改进型白鲸算法的性能相比粒子群算法平均提高了21.1%,比灰狼算法提高了28.5%,比白鲸算法提高了3.3%,说明该算法相比其他3种算法在搜索精度上具有更好的性能,并通过阅读器优化部署测试,验证了该应用的有效性和可行性。

双支路注意力特征融合的卷积稀疏编码目标检测

针对现有目标检测模型在实际运用中会受到各种噪声的影响而导致性能退化的问题,提出一种双支路注意力特征融合(double branch attention feature fusion,DBAFF)的方法。基于CenterNet的结构设计,引入卷积稀疏编码(convolutional sparse coding,CSC)去噪模块。通过双支路互补学习,自适应选择不同模态的有效信息,使融合特征达到最优化,有效解决该类模型的退化问题。实验结果表明,该方法在噪声数据集VOC-Nosiy上mAP50、mAP75、mAP性能分别达到了57.9%、29.8%、24.5%,检测速度FPS达到111帧,综合性能优于原网络和仅添加卷积稀疏编码的去噪网络。

基于LR-ODCNN的物联网设备射频指纹信号识别方法

为了解决物联网环境下设备众多且终端资源有限带来的安全问题,提出了一种基于轻量级全维动态卷积神经网络(LR-ODCNN)的物联网设备射频指纹信号识别方法。首先,设计了LR-ODCNN模型;然后,利用光传输系统采集设备的基带信号,从基带信号中提取I、Q信号作为网络的输入;最后,LR-ODCNN模型根据多维注意力机制来适应不同设备的信号特征,并进行信号特征的提取和识别。实验结果表明,当传输距离为10 m、400 m、1.7 km和8.6 km时,LR-ODCNN模型的平均识别准确率为94.35%,比Mc AFF模型、Oracle模型分别提高了5.35%、10.13%,且具有鲁棒性强、轻量化的优点。

基于改进型蛇算法的RFID网络规划部署

针对无线射频识别(RFID)网络规划的优化部署问题,提出一种基于Circle映射的嵌入正弦余弦算法和自适应阈值的改进型蛇算法(ESO)。在种群初始化阶段利用Circle混沌映射的均匀性和遍历性等特点,在局部搜索阶段和开发阶段分别引入正弦余弦算法(SCA)和自适应阈值等算法机制,弥补了蛇算法初始化过程不够均匀、容易陷入局部最优和收敛速度慢等缺点。在满足100%标签覆盖率、减少阅读器之间的碰撞干扰、实现阅读器的负载均衡,以及降低总的发射功率这4个目标的基础上,求解阅读器最佳的部署位置,将所提算法与粒子群算法(PSO)、灰狼算法(GWO)、樽海鞘算法(SSA)进行了对比分析。实验结果表明,改进型蛇算法在对RFID网络进行优化部署时寻优能力更强,对RFID网络部署的综合性能提升明显,在相同的实验条件下,ESO的最佳适应度值比PSO提高了28.1%,比GWO提高了17.7%,比SSA提高了22.9%,可以更有效地得出最优的RFID网络规划部署方案。

一种面向快速全局运动估计的渐进精细阈值方法

快速全局运动估计的关键在于全局运动区域与局部运动区域的分割,其难点在于阈值的设定。提出一种面向快速全局运动的渐进精细阈值方法,该方法分为两步:第一步,用一个将统计特性与均值阈值相结合的亮度残差阈值模型来大致划分局部运动区域与全局运动区域,从而得到全局运动估计区域的近似集合;第二步,使用一种运动矢量残差分级阈值技术在能量残差函数最小化迭代过程中逐步细化全局运动像素点集合,最后分离出完整的全局运动区域,从而实现快速的运动估计。

基于仿射运动估计的旅游景观全景视频系统

基于文字,图像,视频等旅游景观传统展示方法难以让人们全面的了解旅游景观的全貌,提出一套旅游景观全景视频展示系统方案,使用全景视频技术,通过网络全景立体展示人文科技景观,实现真正的沉浸式欣赏与漫游,让用户犹如置身其中的感觉。同时提出一种基于仿射变换运动方程的运动估计模型来对全景视频进行全局运动估计,相对传统的平移运动估计模型,可有效改进全局运动估计的精度,提高压缩编码效率。

面向分级B帧编码的分级量化技术

提出了一种面向分级B帧编码的分级量化技术,通过发掘同一个Gop中B帧之间的时域相关性,按金字塔顺序在级别不同的B帧之间相应分配权重不同的量化步长,达到编码优化的目的。仿真实验证明,所提出的分级量化技术比传统的使用同一个量化步长因子的量化机制在保证相同重构图像质量的前提下,能较大幅度的节省码流。

一种分层次B帧双向预测直接模式

分层次B帧是一种基于闭环运动补偿的时域可伸缩性视频编码,其特点是解码重构后的B帧可作为参考帧。针对分层次B帧的特点,提出一种新的B帧双向预测直接模式。通过挖掘相邻帧间的时域相关性,利用B帧作为参考帧时的前后向运动矢量进行时域缩放,精细当前块在直接模式下的运动矢量精度。仿真实验证明,该方法相对于传统的编码方式,编码性能增益平均提高0.46 d B。

面向快速全局运动估计的亮度残差阈值方法

提出一种面向快速全局运动估计的亮度残差阈值方法,通过统计特性推导出适用于不同分辨率大小视频编码的全局运动估计阈值因子。在保证视频编码性能的前提下,加快全局运动估计收敛于稳定值,实现快速全局运动估计的目标。实验证明,该方法具有较好的鲁棒性和准确性。

《信息论》课程教学探讨

《信息论》课程具有理论性强、概念抽象和数学推导较多等特点。本文针对《信息论》课程在本科教学中所存在的主要问题,分别在教学方法和教学实践等方面予以探索和改革,从而使得该课程较容易为学生理解和吸收,达到较好的教学效果。

软件仿真在《信息论基础》课程教学改革中的应用

信息论基础具有理论性强、抽象难懂、内容广泛的特点。针对这一状况,本文对《信息论基础》课程的教学内容、教学方法和手段以及实验教学等方面分别进行探索与实践,开发了一套用于辅助《信息论基础》课程教学的仿真软件,有效的帮助学生学习《信息论基础》课程,显著提高学习质量的同时,也帮助教师减轻讲授负担,使教与学达到真正意义上的双赢。

《信息论基础》课程教学改革与实践

本文针对目前信息论基础课程教学所面临的困境,对《信息论基础》课程的教学内容、教学方法和手段以及实验教学等方面分别进行探索与实践,从而使得学生在有限的课时内掌握基本课程内容的同时,实现教学过程的互动性、教学方式的启发性、教学方法的多样性和教学手段的现代化,进而激发学生的学习兴趣,培养学生自主学习和创新的能力。

一种新颖的自适应多叉树防碰撞算法的研究

在改进型自适应多叉数防碰撞算法(IAMS)基础上,提出了一种新颖的自适应算法。该算法根据碰撞位数来自适应地选择搜索方式。当阅读器检测到两个碰撞位时,对最高碰撞位置"0"和置"1"来进行二叉树搜索;当碰撞位数大于2时,记录最高最低碰撞位,设置最高最低碰撞位的比特数,采用四叉树搜索方式。在matlab平台上,对3种算法进行了对比仿真实验。仿真结果与分析表明,与后退式二进制搜索算法和IAMS相比,该算法在搜索次数上平均减少了46.7%,31.52%,吞吐量平均提高了85.8%,24.22%,传输数据量平均减少了85.3%,82.54%。

基于搜索树的增强型RFID防碰撞算法

针对RFID系统中采用多叉树搜索时存在空闲时隙、对碰撞节点处理缓慢等不足,提出一种基于搜索树的增强型RFID防碰撞算法。新算法利用读写器检测相邻碰撞位的个数,在搜索过程中不断自适应调整子二叉树的分配个数,综合选择无空时隙八叉树或四叉树或二叉树搜索方式。为消除多叉树搜索中产生的空闲时隙,阅读器先发送一个获取前缀命令确定标签前缀。理论分析和仿真结果表明,新算法的性能优于其他常用的标签防碰撞算法,大幅度减少了搜索总时隙数,降低了标签功耗,提高了系统搜索效率。

捕获效应下基于反馈机制的RFID防碰撞算法

提出一种捕获效应下基于反馈机制的RFID防碰撞算法(CEFB)。算法分三个阶段:标签分组阶段、组内分维识别阶段和反馈识别阶段。CEFB有效解决识别初期标签之间产生过多碰撞问题,通过对标签进行分维识别,加快对碰撞节点的处理,提高识别速度。同时,CEFB避免因捕获效应和信道干扰等因素影响,存在标签漏读的情况,提高标签识别率。理论分析和仿真结果表明,CEFB的性能优于其他常用的标签防碰撞算法。

基于异步优势动作评价的RFID室内定位算法

针对现有的RFID室内定位算法的精度容易受到环境因素影响的问题,提出了一种基于异步优势动作评价(Asynchronous Advantage Actor-critic,A3C)的RFID室内定位算法。该算法的主要步骤为:1)将RFID的信号强度RSSI值作为输入值,多个线程子动作网络并行交互采样学习,利用子评价网络评价动作值的优劣,使模型不断优化,找到最优信号强度RSSI值,并训练定位模型;子线程网络定期将网络参数异步更新到全局网络上,全局网络最后输出参考标签的具体位置,同时训练得到异步优势动作评价定位模型。2)在线定位阶段,当待测目标进入待测区域时,记录待测目标的信号强度RSSI值,将其输入异步优势动作评价定位模型中,子线程网络从全局网络中获取最新定位信息,对待测目标进行定位,最后输出目标的具体位置。实验数据表明,基于异步优势动作评价的RFID室内定位算法与传统的基于向量机(Support Vector Machines,SVM)定位、基于极限学习机(Extreme Learning Machine,ELM)定位、基于多层神经网络定位(Multi-Layer Perceptron,MLP)的RFID室内定位算法相比,定位平均误差分别下降了66.114%,50.316%,44.494%;定位稳定性分别平均提高了59.733%,53.083%,43.748%。实验结果表明,基于异步优势动作评价的RFID室内定位算法在处理大量室内定位目标时具有较好的定位性能。

基于维码数的RFID混合防碰撞算法

根据树搜索算法和时隙Aloha算法思想,提出了一种基于维码数的自适应混合防碰撞算法。针对RFID系统中同个阅读器可读范围内多个标签的碰撞问题,新算法先根据标签位数进行自适应分维,通过检测碰撞位,对不同维码数的标签组采用不同的策略推算标签维ID序列。算法还引入了维码数堆栈,减少了不必要的空闲时隙。仿真实验结果表明,新算法搜索次数较传统算法减少了75%,搜索深度减少了50%,提高了系统性能。

基于近端策略优化的RFID室内定位算法

针对在动态射频识别(Radio Frequency Identification,RFID)室内定位环境中,传统的室内定位模型会随着定位目标数量的增加而导致定位误差增大、计算复杂度上升的问题,文中提出了一种基于近端策略优化(Proximal Policy Optimization,PPO)的RFID室内定位算法。该算法将室内定位过程看作马尔可夫决策过程,首先将动作评价与随机动作相结合,然后进一步最大化动作回报值,最后选择最优坐标值。其同时引入剪切概率比,首先将动作限制在一定范围内,交替使用采样后与采样前的新旧动作,然后使用随机梯度对多个时期的动作策略进行小批量更新,并使用评价网络对动作进行评估,最后通过训练得到PPO定位模型。该算法在有效减少定位误差、提高定位效率的同时,具备更快的收敛速度,特别是在处理大量定位目标时,可大大降低计算复杂度。实验结果表明,本文提出的算法与其他的RFID室内定位算法(如Twin Delayed Deep Deterministic Policy Gradient(TD3),Deep Deterministic Policy Gradient(DDPG),Actor Critic using Kronecker-Factored Trust Region(ACKTR))相比,定位平均误差分别下降了36.361%,30.696%,28.167%,定位稳定性分别提高了46.691%,34.926%,16.911%,计算复杂度分别降低了84.782%7,70.213%,63.158%。

《信息论》课程教学改革探索

根据在《信息论》课程建设和教学改革实践中的体会，从目前我校教学改革的现状与问题出发，以改革和发展的眼光，对课程内容体系改革、教学手段和方法改革、课堂教学模式的探索和实践、完善课程考核模式等方面作了详细分析和阐述。

蝗虫群优化和极限学习机相结合的RFID室内定位算法

随着室内定位技术的飞速发展,射频识别(Radio Frequency Identification,RFID)技术以其非接触、快速识别等优点成为解决问题的首选方案。针对目前室内定位算法的精度容易受到标签密度和算法效率的影响及对动态环境适应性不足的问题,文中提出了一种蝗虫群优化(Grasshopper Optimization Algorithm,GOA)和极限学习机(Extreme Learning Machine,ELM)相结合的RFID室内定位算法。该算法通过蝗虫群优化对极限学习机随机产生的输入层权值和隐含层阈值进行选择,以提升极限学习机的性能,从而在离线阶段减少学习时间;利用蝗虫群算法对极限学习机参数进行优化,有效克服环境以及信号强度值变化对定位精度的影响。通过实验研究了影响算法性能的因素,并验证了算法的有效性。与BP神经网络算法(NN-Based)和非度量多维尺度算法(NMDS-RFID)相比,所提算法的定位平均误差分别降低了22.32%和20.06%,平均执行时间分别减少了58.7%和7.55%。仿真和实验结果表明,所提算法在获得更精确的定位结果的同时降低了时间成本,并对环境变化具有较好的适应性。