基于模糊元胞自动机的网络舆情传播模型研究

考虑到信息在传递过程中普遍存在模糊性的特点,结合经典元胞自动机理论和模糊推理算法,设计网络舆情传播的元胞自动机结构,定义环境适应度k和偏好度h 2个输入变量,建立网络舆情传播的模糊元胞自动机模型。对网络舆情传播中个体观点的演化过程进行Matlab仿真与分析,结果表明,在经过交流与讨论(对应于元胞进行足够多次数的迭代和演化)后,群体的观点和意见会出现归一的现象,归一不是归于处在2个极端的赞成或反对,而是向中间聚拢,最后形成一个折中的意见。该模型可以更好地描述网络舆情的实际传播过程。

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。

Q学习和蚁群优化混合的无线传感器网络移动代理路由算法

针对无线传感器网络移动代理路由问题,提出了Q学习和蚁群优化混合的无线传感器网络移动代理路由算法。该算法综合了Q学习和蚁群优化算法思想,引入了新的路径选择概率模型,并对最优路径进行了有效的维护。仿真实验结果表明:该算法有效地提高移动代理选路效率,满足不同任务对时延的要求,增强了最优路径的可靠性,进一步降低了网络能耗。

WSN中基于虚拟力的移动覆盖算法

以往移动覆盖算法的主流思想通常为:根据特定算法移动部署好传感节点后,转为静态无线传感器网络进行工作,即网络只在节点部署阶段处于移动状态。针对稀疏无线传感器网络按此思想覆盖率极低,并且通常网络也只需对目标区域实现动态覆盖的问题,提出了基于虚拟力的移动覆盖算法。算法采用虚拟力思想部署节点,划分出节点工作区,并依据等周定理规划出移动轨道,以最小化节点移动距离,并减少重叠覆盖面积,降低感知能耗。仿真实验结果表明,该算法实现了对目标区域的高覆盖率,并有效提高了网络的能量利用率,具有较强实用性。

基于虚拟力的传感器网络三维覆盖算法

针对三维无线传感器网络中节点非均匀覆盖需求的问题,提出一种基于虚拟力的三维覆盖算法(3DCAVF)。该算法是将虚拟力应用在无线传感器网络中实现节点布置,通过虚拟力和拥挤度控制,使节点能够自动覆盖事件,并且使节点和事件的密度呈现一种平衡的效果。在Matlab平台上进行仿真实验,将所提算法与基于人工势场的三维部署算法(APFA3D)、基于未知目标精确覆盖的三维部署算法(ECA3D)进行比较,在事件呈T型不均匀部署和线型不均匀部署两种情况下进行实验,所提算法的事件集覆盖效能比APFA3D、ECA3D算法有3.6%、3.1%的提高。仿真实验结果表明所提算法能够有效处理三维无线传感器网络中节点的布置问题。

适用于WSN的在线/离线异构签密方案

针对传感器节点与互联网主机通信安全性较低的问题,提出一种CLPKC-to-TPKC在线/离线异构签密方案。该方案结合在线/离线技术,定义从无证书公钥密码到传统公钥密码环境的形式化安全模型,并在随机预言模型下基于q-SDH,m ICDH和BDHI困难假设问题,证明方案的安全性。分析结果表明,与IDPKC-to-CLPKC在线/离线异构签密方案相比,该方案只需要2个双线性对运算,具有更高的运算效率,适用于无线传感器网络。

模糊加权Markov链的用户行为预测

提出了基于模糊加权Markov链模型,通过分析用户行为特征和最优状态分类的方法,预测网络用户行为,并验证了此模型的可行性和实用性.

贫困地区教师培训现状调查及远程培训策略研究

远程教育是解决贫困地区农村中小学师资数量不足、质量不高、代课教师多、教育资源匮乏的最有效途径。本文通过对西部贫困地区中小学教师培训现状的调查研究,分析了当前教师培训存在的主要问题,并对利用远程教育开展教师培训的途径和策略进行了探讨。

新型Elman混沌神经网络的流量预测

根据实际网络中测量得到的网络流量数据,提出一种改进型Elman神经网络模型——季节性输入多层反馈Elman网络。在网络权值的训练过程中引入混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,以减少数据冗余,解决局部收敛问题。实验结果表明,该模型及其算法有效提高了网络的训练速度及网络流量的预测精度。

Delaunay三角剖分的节点模糊信息三维定位方法

为了有效提高三维空间中无线传感器网络节点定位算法的效率,提出了一种基于简单Delaunay三角剖分的模糊信息节点定位方法(Fuzzy Information Node Localization on Delaunay Triangulation,FINL-DT),该方法在定位前先对网络中的锚节点实现Delaunay三角剖分,然后通过测量各三角形中锚节点与未知节点的方向角和俯仰角实现节点定位。每一轮定位结束后,判断并更新无效锚节点的位置。网络中的节点被定位后充当二级锚节点辅助定位其他节点。通过实验仿真,与SLPM-FI算法和3D-ADAL算法相比,FINL-DT算法提高了节点定位精度,降低了网络能耗。

基于移动锚节点的模糊信息三维定位算法

为有效抑制复杂环境对无线传感器网络节点定位精度的影响,在三边定位的基础上,基于移动锚节点和节点之间的模糊信息,提出一种三维空间中的节点定位算法(MANLFI)。该算法通过测量锚节点和未知节点的方向角、俯仰角实现节点定位,每轮定位结束后更新锚节点的速度和方向,节点被定位后充当静态锚节点对其他节点定位。仿真实验结果表明,与APIT-3D和Bounding cube算法相比,MANLFI算法可提高节点定位精度和网络稳定性,且时延短、能耗低。

基于多元线性自回归模型的流量预测

为使流量预测模型具有自适应性和相关性,以时间点为基础进行建模,结合时间序列与流量序列,引入多元线性自回归(AR)思想进行参数估算,对多次估算所得参数值建立指数加权移动平均数模型进行二次估算,在此基础上,建立多元线性自回归模型。实验结果证明,与AR模型、ARMA模型相比,基于多元线性AR模型的预测结果更准确。

无线传感器网络节点定位加权校正模型

为了降低定位算法本身和接收信号强度指示(RSSI)所产生的误差对定位精度的影响,在以往的定位算法(如利用高斯—马尔可夫模型定位)中加入校正机制,并将移动锚节点和固定锚节点定位技术相结合,提出了一种基于加权的校正模型和算法。仿真结果表明,采用加权校正模型有效地提高了节点定位精度,与采用高斯—马尔可夫模型定位相比较,定位精度提高了36.2%。

虚拟分层三维空间节点模糊信息定位方法

为了有效提高三维空间中无线传感器网络节点定位算法的效率,提出了一种基于虚拟分层的节点模糊信息定位方法(Nodes’Fuzzy Information Localization algorithm on Virtual Stratification,NFIL-VS),该方法在定位前对网络实现虚拟分层,分层后测量各平面上节点之间的方向角和俯仰角等模糊信息实现节点定位。每一轮定位结束后,判断并更新无效锚节点的位置。网络中的节点被定位后充当二级锚节点辅助定位其他节点。通过实验仿真,与SNLSFAMC算法和MANLFI算法相比,提出的NFIL-VS算法提高了节点定位精度,降低了网络能耗。

基于小波变换的分布式WSN数据融合模型研究

针对无线传感器网络节点硬件、能量受限问题,分析现有数据融合方法,提出一种基于小波变换的分布式WSN数据融合模型,该模型对现有环结构模型进行改进,并加入数据验证环节,策略性地减少传输的数据量,并利用小波提升方案对数据进行融合处理,降低数据表示和传输的复杂度。通过仿真实验,证明了DDA-WT算法能有效降低网络节点的能耗,延长整体网络的生存期。

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。

基于GSM Modem的移动学习平台构建研究

本文简要介绍了移动学习的定义和特征,构建了基于GSM Modem的信息交互系统平台,分析了信息交互的过程,并介绍了基于GSM Modem的移动学习平台的功能,作为现有的网络教学平台的有益补充,它能够满足学生随时随地学习的需要。

无线传感网中一种用于压缩感知的测量矩阵优化方法

针对无线传感器网络中传统测量矩阵方法无法满足数据采集需求的问题.提出一种基于离散小波变换基的梯度下降混合算法,对原始测量矩阵进行优化,通过此方法能够降低原测量方法的数据空间复杂度,提高算法的收敛速度,增强测量矩阵与稀疏矩阵的非相关性.实验对比分析,该方法收敛速度快,数据重构成功率明显高于传统测量方法,降低了测量矩阵设计和实现难度,提高了去除信噪能力,适合在低采样率网络环境中应用.

基于快速求解高斯混合模型的流量聚类算法

基于聚类算法可以对多个属性聚类的特点,提出一种基于快速求解高斯混合模型的聚类算法,用于研究网络流量的分类,使其达到更佳的聚类效果。通过与其他算法比较,讨论了该种方法在流量聚类中的适用性。仿真结果表明,该方法聚类精度高,经过初始聚类中心后的EM算法用于求解GMM有较高的估算准确性,有效地提高了EM算法的收敛速度。

基于短相关ARIMA模型的网络流量预测

不同日期同一时刻的网络流量存在相关性和突发性。为准确预测网络流量,提出一种短相关ARIMA模型。对模型定阶后,运用改进的建模方法推导模型参数,使参数随样本数据的变化而更新。实验结果表明,与AR模型和ARIMA模型相比,该模型能更好地描述网络的相关性和自相似性,预测精度较高。