无人机和无人船组成的移动自组织网络存在通信环境恶劣和网络拓扑结构变化频繁等挑战,导致网络性能变差。针对这一问题,建立以数据为中心的命名数据网络(Named Data Networking, NDN)网络架构,在此基础上提出基于深度强化学习的智能数...无人机和无人船组成的移动自组织网络存在通信环境恶劣和网络拓扑结构变化频繁等挑战,导致网络性能变差。针对这一问题,建立以数据为中心的命名数据网络(Named Data Networking, NDN)网络架构,在此基础上提出基于深度强化学习的智能数据转发策略。利用深度强化学习实时感知网络动态变化,优化数据转发策略,设计优先采样和双重Q网络算法,加快深度强化学习收敛速度。实验结果表明,该策略可以有效降低时延并提高兴趣包满足率。展开更多
针对飞行自组织网络(Flying Ad Hoc Network,FANET)中高动态拓扑变化导致数据丢包率较高的问题,提出一种基于节点移动机会转发的集群路由算法CROF(Cluster Routing-Opportunity Forward)。该算法通过考虑节点相对移动趋势度和剩余能量...针对飞行自组织网络(Flying Ad Hoc Network,FANET)中高动态拓扑变化导致数据丢包率较高的问题,提出一种基于节点移动机会转发的集群路由算法CROF(Cluster Routing-Opportunity Forward)。该算法通过考虑节点相对移动趋势度和剩余能量的综合权值来统一对集群头节点以及集群间机会转发节点进行选择。仿真实验结果表明,CROF算法在高动态自组织网络中可以有效提高消息投递率以及网络生命周期。展开更多
点云分割在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域具有重要意义。为提高对激光雷达采集点云分割的准确率,提出了一种基于深度图的道路场景三维点云分割优化方法。将点云数据转化为深度图,建立三维点云与深度图之间的投影关系...点云分割在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域具有重要意义。为提高对激光雷达采集点云分割的准确率,提出了一种基于深度图的道路场景三维点云分割优化方法。将点云数据转化为深度图,建立三维点云与深度图之间的投影关系,利用相邻激光雷达扫描线的角度阈值进行地物分割,再对分割后的地上物体进行分割,去除噪声点。通过使用KNN(K-Nearest Neighbor)插值优化算法对分割结果进一步优化,较好地克服了过分割问题,提高了点云分割的准确率。实验结果表明,该方法的运行时间达到86 ms,相较传统深度图的自适应DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法准确率提升了5%,达到90.5%。展开更多
文摘无人机和无人船组成的移动自组织网络存在通信环境恶劣和网络拓扑结构变化频繁等挑战,导致网络性能变差。针对这一问题,建立以数据为中心的命名数据网络(Named Data Networking, NDN)网络架构,在此基础上提出基于深度强化学习的智能数据转发策略。利用深度强化学习实时感知网络动态变化,优化数据转发策略,设计优先采样和双重Q网络算法,加快深度强化学习收敛速度。实验结果表明,该策略可以有效降低时延并提高兴趣包满足率。
文摘针对飞行自组织网络(Flying Ad Hoc Network,FANET)中高动态拓扑变化导致数据丢包率较高的问题,提出一种基于节点移动机会转发的集群路由算法CROF(Cluster Routing-Opportunity Forward)。该算法通过考虑节点相对移动趋势度和剩余能量的综合权值来统一对集群头节点以及集群间机会转发节点进行选择。仿真实验结果表明,CROF算法在高动态自组织网络中可以有效提高消息投递率以及网络生命周期。
文摘点云分割在计算机视觉、智能驾驶、遥感测绘、智慧城市等领域具有重要意义。为提高对激光雷达采集点云分割的准确率,提出了一种基于深度图的道路场景三维点云分割优化方法。将点云数据转化为深度图,建立三维点云与深度图之间的投影关系,利用相邻激光雷达扫描线的角度阈值进行地物分割,再对分割后的地上物体进行分割,去除噪声点。通过使用KNN(K-Nearest Neighbor)插值优化算法对分割结果进一步优化,较好地克服了过分割问题,提高了点云分割的准确率。实验结果表明,该方法的运行时间达到86 ms,相较传统深度图的自适应DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法准确率提升了5%,达到90.5%。