一种多边缘协作的任务卸载策略

当前,多数任务卸载策略只考虑单边缘或者“物-边-云”的卸载方式,而没有对异地边缘服务器的资源进行充分利用。针对上述问题,提出了一种多边缘协作的网络架构,该架构中的任务可以选择在本地执行、本地服务器执行、异地服务器执行或者在云端执行。分别对4种执行方法的时延和能耗的加权求和建立数学模型。在传统的任务属性中引入新变量——终端所能承受的最大合作成本,以便吸引更多的异地边缘服务器积极协作完成终端任务的计算。针对传统的粒子群算法容易早熟和陷入局部最优的缺点,采用免疫粒子群优化算法(Immune Particle Optimization,IPSO)来对优化目标进行求解。仿真结果表明,与本地卸载策略、免疫算法(Immune Algorithm,IA)和粒子群(Particle Swarm Optimization,PSO)算法相比,所提任务卸载策略的总代价分别减少了66.7%,54%和45.5%,可以提高任务的执行效率,有效地减少系统的总代价。

基于改进CEEMD和多域特征融合的1D-CNN降雹量级识别算法

为便于分析冰雹对社会生产造成的灾害影响,需要对降雹量级进行分类统计,对降雹量级进行定量分析,不仅可以为灾害评估提供依据,还可以对气象预报、虚报现象做出反馈。本文针对降雹声信号提出了一种改进的互补集合经验模态分解(CEEMD)重构算法,重构后的信号最大程度地保持原有时域特征,也能对降雹声信号去噪处理。其次设计了一种多域特征融合1D-CNN模型,将重构后的原始数据、时域特征和频域特征分别作为1D-CNN的输入,在中间层进行特征拼接,最后输出分类器,结果显示本文设计的多域特征融合1D-CNN对降雹量级的识别率高达99.58%,相比于原始数据与传统1D-CNN模型识别率提高了8.75%。

基于多智能体Actor-Critic算法的异构网络能效优化

为了最大限度地提高异构网络(HetNets)的能量利用率,本文将能效优化问题设计为一个多级决策问题,根据优化目标的资源分配,首先将初始问题分解为对参数几乎空白子帧比例和小区间范围扩展进行优化的两个子问题,采用多智能体Actor-Critic(MAAC)算法对子问题进行求解,然后通过迭代各优化子问题的解,解决初始优化问题。在参数优化过程中,将单个小基站作为一个智能体,采用MAAC算法对各自CRE寻找最优解,实现小区间异步CRE优化。实验结果表明,该方法在保持能效稳定提高的前提下,相比较于表格式Q学习的循环Q学习算法,其收敛速度提高了40%,并且通过异步优化CRE的方式取得了基站间更均衡的负载。

基于广义S变换和迁移学习的轴承故障信号的识别算法

滚动轴承是高科技机械设备的重要零部件,也是重要故障源之一。目前,轴承故障样本稀少,数据分布不均匀,传统轴承故障识别方法效果不稳定等给故障识别技术带来了巨大困难。将深度学习相关技术与轴承故障诊断技术相融合,利用深度学习模型识别图像的优势,提出一种广义S变换方法。广义S变换是小波变换和短时傅里叶变换的继承和发展,通过其将一维轴承故障信号数据转换成二维时频图,对Xception网络进行模型的微调和超参数的优化,再将处理后的二维时频图输入改进后的Xception网络开展迁移学习。基于凯斯西储大学公开的滚动轴承数据进行了上述实验,针对不同工况的故障信号识别率达到99.95%,实验结果证明基于广义S变换与迁移学习的识别方法真实、有效。