多系统兼容卫星导航接收机关键技术概述

随着各导航卫星的发展与完善,多系统兼容卫星导航系统的应用成为卫星导航发展的趋势,在对多系统兼容卫星导航接收机的设计中,导航系统的时空转换算法、快速选星算法、系统完好性检测等技术严重影响着导航接收机的性能。文中针对多系统兼容接收机设计中的一些关键技术,阐述了当前多系统兼容接收机的发展状况,并对未来多系统兼容接收机的研究重点进行了展望。

感知应用特征与网络带宽的虚拟机在线迁移优化策略

首先对虚拟机在迁移过程中,内存脏页面产生数量与不同应用特征的密切关系进行了实验验证。在感知不同的虚拟机应用特征环境的基础上,使用GM(1,N)灰色预测模型对每次迭代周期产生的内存脏页面数进行预测。同时使用残差修正进行误差调整,使预测结果更可靠,结合预测的内存脏页面数量进行网络带宽动态预留调整。实验表明:与传统的pre-copy策略相比,本方法在含网络密集型应用或内存密集应用的虚拟机迁移时,能够有效提高网络性能,降低迁移时间。

动态无线传感网中数据查询技术的研究进展

无线传感器网络(Wireless Sensor Networks,WSN)是由大量通信、计算及存储能力有限的传感器节点通过自组织方式构成的网络,可以部署在恶劣环境中执行长期的监测任务。数据查询是WSN中最基础的操作之一,主要指用户通过特定节点向网络分发查询请求,而网络中满足要求的节点再将数据返回给用户。在查询过程中,由于网络存在动态性(如:节点由于受到外力破坏而损毁、移动或睡眠,导致网络拓扑及连通性发生变化;通信链路不可靠等),使得数据传输出现延迟大、能耗高甚至数据丢失等情况,导致查询成功率低。目前有很多学者对该问题进行了研究,并取得了一定的进展,但实际应用中依然有很多问题仍待解决。为了进一步推进动态无线传感网中数据查询技术的深入研究,对近年来的典型工作进行了分析、归纳和总结,并对比了它们的优缺点;然后讨论了该领域亟需解决的关键问题,并指出了下一步的研究方向。

基于混合路径聚合网络的点云目标识别

针对目前点云目标识别通常强调提取点云数据中的语义特征,但是忽视了原始点云中的定位特征的问题,提出一种基于混合路径聚合网络的点云目标识别方法。使用改进的坐标注意力模块增强数据集的点云定位特征,设计一种混合路径聚合的残差特征金字塔提取点云语义特征,将定位特征与语义特征融合。在KITTI数据集进行实验,可视化实验结果表明,该模型可以有效解决定位错误的问题,数据结果也表明该方法在KITTI点云数据集上的cyclist类别优于现有方法。

基于生成对抗网络与特征融合的多尺度音频序列生成方法

音频数据规模不足是语音识别过程中的一个常见问题,通过较少的训练数据训练得到的语音识别模型效果难以得到保证。因此,提出一种基于生成对抗网络与特征融合的多尺度音频序列生成方法(multi-scale audio sequence GAN,MAS-GAN),包含多尺度音频序列生成器和真伪—类别判别器。生成器通过3个上采样子网络学习音频序列不同时域和频域的特征,再将不同尺度的特征融合成伪音频序列;判别器通过辅助分类器将生成的伪数据和真实数据区分开,同时指导生成器生成各类别的数据。实验表明,与目前主流的音频序列生成方法相比,所提方法的IS和FID分数分别提高了6.78%和3.75%,可以生成更高质量的音频序列;同时通过在SC09数据集上进行分类实验来评估生成音频序列的质量,所提方法的分类准确率比其他方法高2.3%。

基于网络编码和ECC的无线体域网安全签名方案

针对无线体域网(WBAN)应用中人们关注的病患个人敏感数据在传输过程中容易受到攻击的安全问题,提出一种结合随机网络编码和椭圆曲线密码学(ECC)的安全签名方案。该方案首先在网络中引入随机网络编码建立多播网络模型,增加相同传输次数下的数据信息量;通过采用ECC算法对信息进行签名,保障病患相关生理信息的通信安全。该方案共有三个阶段,即创建、签名和验证阶段。理论证明了该方案是安全的,能够有效地对信息进行污染验证,并确定受攻击节点的位置。

基于网络编码的衰落信道频谱感知算法

针对传统认知无线电网络中频谱状态转换频繁和频谱检测时延长的问题,提出基于随机线性网络编码的累积和能量检测频谱感知算法。该算法在主用户信道中引入随机线性网络编码,利用网络编码对频谱的整形作用,使频谱状态转换稀疏,频谱结构更规律化,减小频谱检测时延,提高系统吞吐率。此外,针对传统累积和能量检测算法抗衰落性能差的问题,通过比较该算法在五种衰落信道下的检测时延和吞吐率,研究该算法的抗衰落性能。实验结果表明,在一定的虚警概率下,该算法有效降低了检测时延,提高了吞吐率及抗衰落能力,能够更好地适应复杂的衰落信道环境。

基于改进RBF神经网络训练算法的蓄电池SOC估算

为了对基站铅酸蓄电池的剩余容量进行估算,在RBF神经网络训练算法中采用梯度下降法结合L1,L2正则化实现隐层节点数的选择。通过模糊控制思想提高泛化能力,引入模拟退火算法减少了需要重复训练的次数。Matlab仿真结果表明,通过改进的RBF神经网络训练算法对蓄电池的电池剩余容量(SOC)估算平均误差达到2%,改进了估算精度的同时也提高了泛化能力并且减少了重复训练的次数。

单向链路无线传感器网络的强连通多跳控制集

强连通控制集常被用来代表具有不同传输范围的无线传感器网络的虚拟骨干,较小的虚拟骨干更能高效地进行数据收集和节约无线网络的能量。为了计算强连通控制集,提出了一种新的多跳宽度优先搜索树强连通控制集算法(d-hop BFS_SCDS)。该算法首先使用贪婪策略找到一个多跳控制集(d-DS),然后利用宽度优先搜索树连接d-DS中的节点形成一个强连通多跳控制集。该算法的近似比为(2.4d 2+3.6d+1.2)(dk+1/2)2,其中k是网络的传输范围比。仿真实验表明该算法是有效的,符合预期的结果。

深度卷积神经网络模型的研究分析

在深度学习的图像分类问题中,网络模型深度是研究学者们十分关注的课题。针对此课题,设计了在不同网络层数对Cifar-10数据集进行分类的实验,探讨卷积神经网络的深度对模型的准确率影响;实验结果中,网络结构为6层、10层和15层准确率分别为64.24%、76.49%和72.50%,得出网络层数直接影响分类效果,网络层数越多并不会导致分类效果越好,选择合适深度的网络才能达到更高的模型性能。

基于CLIP和交叉注意力的多模态情感分析模型

针对多模态情感分析中存在的标注数据量少、模态间融合不充分以及信息冗余等问题,提出了一种基于对比语言-图片训练(CLIP)和交叉注意力(CA)的多模态情感分析(MSA)模型CLIP-CA-MSA。首先,该模型使用CLIP预训练的BERT模型、PIFT模型来提取视频特征向量与文本特征;其次,使用交叉注意力机制将图像特征向量和文本特征向量进行交互,以加强不同模态之间的信息传递;最后,利用不确定性损失特征融合后计算输出最终的情感分类结果。实验结果表明:该模型比其他多模态模型准确率提高5百分点至14百分点,F1值提高3百分点至12百分点,验证了该模型的优越性,并使用消融实验验证该模型各模块的有效性。该模型能够有效地利用多模态数据的互补性和相关性,同时利用不确定性损失来提高模型的鲁棒性和泛化能力。

融合原子交换特征信息的代谢路径预测

为获取从任意起始代谢物到目标代谢物的生化相关性较好的代谢路径,提出一种融合原子交换特征信息的基于约束的代谢路径预测算法PVA。结合代谢网络中具有的原子交换特征信息,建立一种基于约束的混合整数线性规划(MILP)代谢路径预测模型,以搜索从任意起始代谢物到目标代谢物并包含特定原子交换信息的代谢路径。实验结果表明,与同类方法相比,PVA能够有效地发现生化相关性更好的代谢路径。

采用动态相关度权重的特征选择算法

基于互信息的特征选择算法在考虑候选特征提供的新分类信息时,通常忽略了候选特征的加入会使得已选特征和类标签的相关性发生变化而带来额外的新增信息量,以及在计算冗余信息时采用累加求和的形式可能导致低估候选特征的冗余程度。针对以上问题,提出动态相关度权重的定义,以更全面地考虑候选特征带来的新信息量成分;提出改进冗余项的定义,采用取最大值和归一化策略,以解决传统算法存在的低估冗余问题;在此基础上提出一种采用动态相关度权重的特征选择算法(feature selection using dynamic relevance weight,FSDRW)。选取五种当前主流的基于互信息的过滤式特征选择算法进行对比实验,在来自加州大学尔湾分校UCI和亚利桑那州立大学ASU的机器学习测试数据集上的实验表明,所提出的算法在分类准确率及综合性能方面具有较好的表现。最后将所提出算法应用于广西某水库工程的微震、爆破信号识别中,算法选取出的特征用于微震信号识别可达到98.86%的分类准确率,验证了算法在实际应用中的有效性。

考虑优先级的智能电网业务调度与资源分配方案

随着智能电网和5G通信技术的融合发展,越来越多的智能终端应用到智能电网系统。针对海量电力业务的分流处理问题,提出了一种考虑电力业务优先级的业务调度和资源分配方案。首先介绍了面向智能电网的基于软件定义网络的边缘计算处理架构,建立了业务处理模型。其次阐述了基于强占型优先级排队的业务调度机制,建立了业务卸载收益和卸载开销的数学模型,该模型以系统整体收益最大化为目标函数,并基于电力业务的卸载有效性得到每一种优先级业务在边缘服务器的资源分配阈值,并以资源分配阈值为约束条件。再次,利用改进的遗传算法(improved genetic algorithm,IGA)求解最优的卸载和资源分配决策。最后通过实验仿真验证了IGA在收敛速度和个体选择方面均优于其他对比算法,对比其他方法所提方案在业务平均处理时间、功耗、高优先级业务平均处理时间等方面分别降低了69.2%、67.7%、73%,在系统收益方面提升了119%。

基于可变形三维图卷积的轻量级点云分类研究

现有深度学习方法在处理点云分类任务时,依赖于点的绝对坐标,存在模型复杂度较大的问题。对此,提出一种轻量级的点云分类网络DMGCN-3D。使用自适应空洞K近邻(KNN)算法构造图结构,尽可能捕捉局部更广泛空间的几何结构信息,并减少计算开支;构造可变形三维图卷积,引入可学习的点与点之间的方向向量来获取相对特性,在特征提取过程中保证点云的置换不变性与尺度不变性;构建多头自注意力模块,通过残差结构将分组变换注意力(GSA)与多层感知机(MLP)相结合,MLP有助于保持原始点云信息的完整性,GSA使得网络能够学习特征内部的自相关性,在提高特征表达能力的同时降低参数总量;使用空间变换网络结合MLP来学习点云特征;对所提取的特征进行融合以得到更综合的特征,将其用于点云分类。实验结果表明,DMGCN-3D在ModelNet10、ModelNet40、ScanObjectNN数据集上的总体精度分别达到96.5%、94.7%、81.9%,比DGCNN分别提高2.9、2.1、3.8个百分点,参数总量相比DGCNN、LDGCNN、3DGCN模型分别降低52.9%、23.9%、3.3%,且DMGCN-3D能够保持较高的鲁棒性。

基于高深约束与边缘融合的单目3D目标检测

单目3D目标检测旨在通过单目图像完成3D目标检测,现有的单目3D目标检测算法大多基于经典的2D目标检测算法。针对单目3D目标检测算法中通过直接回归的实例深度估计不准,导致检测精度较差的问题,提出了一种基于高深约束与边缘特征融合的单目3D目标检测算法。在实例深度估计方法上采用几何投影关系下的实例3D高度与2D高度计算高深约束,将实例深度的预测转化为对目标的2D高度以及3D高度的预测;针对单目图像存在图像边缘截断目标,采用基于深度可分离卷积的边缘融合模块来加强对边缘目标的特征提取;对于图像中目标的远近造成的目标多尺度问题,设计了基于空洞卷积的多尺度混合注意力模块,增强了对最高层特征图的多尺度特征提取。实验结果表明,所提方法在KITTI数据集上的汽车类别检测精度相比基准模型提升了7.11%,优于当前的方法。

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。

基于雷视融合轨迹匹配的高速公路车辆轨迹跟踪方法

针对高速公路车辆跟踪过程中,在进行雷达与视频数据融合时两类传感器之间探测目标匹配的难点问题,提出一种基于目标轨迹相似度匹配的高速公路车辆跟踪方法。首先,采用投影变换将雷达数据转化到视频数据所在的维度;其次,通过提出的曲线拟合算法将离散的轨迹点插值成连续的轨迹曲线;最后,将雷达探测目标投影到图像上的轨迹曲线与视频检测目标轨迹曲线进行相似度计算得到相似度矩阵,并通过对相似度矩阵进行筛选得到雷达探测目标和视频检测目标的匹配关系。采用高速公路真实场景下采集的车辆数据开展对比实验,结果表明在高速公路场景下的平均目标匹配成功率为94.71%,相比其他同类方法的平均匹配成功率提高3.01%和3.69%。所提出的方法能有效过滤伪目标,更适合在高速公路场景下的车辆跟踪中使用。

基于大数逻辑可译LDPC码的译码算法研究

本文提出两种基于可靠度的迭代大数逻辑译码算法,从以下两个方面降低译码复杂度：（1）校验节点使用伴随式信息处理,可节省外信息的计算操作;（2）变量节点使用伴随信息进行总信息的投票计数过程.结合非均匀量化技术,接收信号在判决门限附近获得更加精细的处理.此外,本文利用量化参数和列重比例信息对可靠度偏移方向和幅度进行了设计.仿真实验表明,本文提出的算法能够在很低的量化比特（3～4 bits）下有效工作,具有优良的译码性能和快速的收敛速度.

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.