基于细胞膜优化算法的WSN分簇协议研究

针对无线传感器网络能量受约束的问题,为实现节点均衡能耗,平衡网络簇头分布,并最大限度地延长网络寿命,提出一种基于细胞膜优化算法的无线传感器网络能量均衡分簇协议。细胞膜优化算法具有良好的全局寻优和快速收敛能力,通过浓度与能量因素对节点进行划分,并结合距离因素完成全局均衡分簇,能够解决传感器网络中簇头分布不均匀、全局能耗不均衡等问题。实验结果表明,该协议具有对无线传感器网络进行快速全局均衡分簇的能力,且与LEACH算法和LEAH-C算法相比,在均衡节点能耗和延长网络生存周期等方面具有更好的性能。

基于LEACH协议节能路由算法的研究与优化

针对LEACH(Low-Energy Adaptive Clustering Hierarchy)协议在分簇算法中存在的未考虑节点的剩余能量,簇头节点分布位置不合理等缺陷,提出基于LEACH协议的节能路由改进算法。在原有协议的基础上,优化了成簇的条件,充分考虑了剩余能量与相对位置,使得无线传感器网络的寿命得到进一步延长。仿真实验结果表明改进后的算法有效降低了网络能耗,提高了无线传感器网络的性能。

基于联邦学习的贷款风控研究

对企业的信贷风险进行预测,是商业银行增强风控能力的重要一环,实时准确的企业风险评级预测,有助于维护市场经济秩序、促进市场的稳健发展、防范和化解信用风险。目前大多数研究的重点集中在如何通过改进算法来提高预测准确率,忽视了通过扩充数据来源、深入挖掘数据价值来提高风控效能的方式。本课题使用联邦学习整合政府、人行、建行等多方信息,采用专家模型挖掘流水中体现的企业财务状况,用图数据库挖掘企业与风险企业的关联,结合企业的工商政务信息,最终进行XGBoost联合建模,预测贷款风险。实验结果表明,该方法能够利用多方数据显著提高贷款风险预测的准确率,同时也保证了参与各方数据的安全,实现“数据可用不可见”,具有较高的落地推广价值。