基于GPC的主动队列管理算法稳定性分析

根据主动队列管理算法中TCP拥塞窗口的流体流模型,给出了离散模型和广义预测控制(GPC)算法的表达式;得出了路由器输出队列长度与参考队列长度的闭环传递函数;证明了GPC控制器在满足特定控制参数的条件下,无论网络参数如何变化,闭环系统都是稳定的;并通过仿真验证了其正确性.

基于模糊神经网络的RTT智能预测算法

在网络拥塞控制的重要参数中,RTT(Round trip time)尤为突出,因为它能对网络所发生的拥塞作出较早的反映。所以对RTT的精确预测程度,无论是对网络拥塞控制还是流量、带宽估计都很有意义。分析了RTT的特性,发现其有很强的高频噪声,因而采用低通滤波和MBP网络相结合的RTT预测策略。实验表明,即使在网络状况较忙的情况下,也能获得很好的预测结果。

基于改进CenterNet网络的绝缘子检测方法

针对输电线路中绝缘子检测准确率不足以及检测时间长的问题,提出一种基于Anchor free(无先验框)的绝缘子检测算法;以CenterNet网络模型为基础,使用Resnet50网络作为特征提取网络,在保证速度的前提下加深网络增强特征提取能力;引入金字塔池化模块,通过局部多尺度的特征融合提取更加丰富的绝缘子特征信息,避免对绝缘子的漏判从而提升检测精度;对收集的航拍绝缘子图像进行数据增强,建立实验数据集;在网络训练中使用迁移学习的思想,对主干网络进行冻结的方式提高训练效率。通过实验发现,相比较原网络模型,绝缘子检测的平均精度与召回率分别提升16.34%、36.06%,与其他六种网络模型相比较,检测精度与速度均有所提升,具有良好的检测性能及实时性。

基于阶段注意力机制的电力线提取算法

电力系统维护是电力系统稳定运行的重要保障,应用智能算法的无人机电力巡检则为电力系统维护提供便捷。电力线提取是自主电力巡检以及保障飞行器低空飞行安全的关键技术,结合深度学习理论进行电力线提取是电力巡检的重要突破点。本文将深度学习方法用于电力线提取任务,结合电力线图像特点嵌入改进的图像输入策略和注意力模块,提出一种基于阶段注意力机制的电力线提取模型(SA⁃Unet)。本文提出的SA⁃Unet模型编码阶段采用阶段输入融合策略(Stage input fusion strategy,SIFS),充分利用图像的多尺度信息减少空间位置信息丢失。解码阶段通过嵌入阶段注意力模块(Stage attention module,SAM)聚焦电力线特征,从大量信息中快速筛选出高价值信息。实验结果表明,该方法在复杂背景的多场景中具有良好的性能。

GPC算法在网络拥塞控制中的仿真研究

网络拥塞控制问题是近年来的研究热点。由于广义预测控制(Generalized Predictive Control,简称GPC)在大时滞系统中的成功运用,将GPC作为一种网络拥塞控制算法是一种很好的选择。路由器要想处理好多个数据包同时向同一端口转发这种情况,并且要解决端口服务质量(QOS)等问题,必须要在端口上维护一个或多个队列,因为路由器是基于包交换的设备,每个端口采用的是带宽统计复用技术。拥塞管理能力。