面向车联网基于边缘计算的点对点信息传输

随着车联网的快速发展,交通信息的传输需求也随之增长。然而在当前的车联网信息传输系统中,不仅因为物理距离过长、传输流程复杂而容易造成丢包、传输过慢和网络堵塞的问题,而且用户进行的信息操作工作流程也比较繁琐,不利于车联网的信息传输系统的发展。为此,针对车联网交通信息传输,引入移动边缘计算技术(mobile edge computing,MEC),提出面向车联网的高效点对点信息传输机制。首先,优化交通传输系统场景,在其网络信号基站中引入MEC服务器,并分析在其传输系统中加入MEC服务器后的传输特点并设计出对应的点对点传输系统。然后,为同时满足车与车和车与路之间的信息传输,分别编写用户设备间数据传输子系统和数据传输辅助服务子系统。编写完成后对标之前分析的传输特点进行优化,设计并实现了系统优化的关键技术。实验结果显示,新机制可显著降低服务响应时延,提升车联网信息传输效率。

基于CNN和SVM分类优化的大蒜鳞芽朝向识别研究

针对大蒜鳞芽朝上、直立栽种的特殊种植需求,研究实用性好、准确率高、抗干扰强的鳞芽朝向自动识别算法,具有重要的工程应用意义。提出基于卷积神经网络(CNN)和支持向量机(SVM)分类优化的改进算法(CNN-SVM),实现大蒜鳞芽朝向的自动识别与修正;提出SVM分类优化方案与随机参数择优、损失函数检测方法,以解决感受野小、分类效果差、过拟合等问题。研究结果表明:CNN-SVM算法的识别准确率为99.8%,单张图片识别时间为0.024 s。与经典CNN、SVM算法相比,本文所提算法对于感受野小、干扰强的识别效果更好;同时具有识别准确率高、计算规模小、对局部特征敏感等优点。不仅为大蒜自动智能播种设备的研发提供算法储备,而且可以推广应用于其他小物体识别。