传统到达角度(Angle-Of-Arrival,AOA)/接受信号强度指示(Received Signal Strength Indicator,RSSI)混合定位往往需要多个锚节点布设阵列天线以实现高精度定位,为解决在锚节点资源受限下精度较低的问题,提出了一种基于Mesh网络的混合AOA...传统到达角度(Angle-Of-Arrival,AOA)/接受信号强度指示(Received Signal Strength Indicator,RSSI)混合定位往往需要多个锚节点布设阵列天线以实现高精度定位,为解决在锚节点资源受限下精度较低的问题,提出了一种基于Mesh网络的混合AOA/RSSI协作定位方法。仅有中心主锚节点提供AOA角度的情况下,采取最小二乘法对联合真实和虚拟锚节点所对应角度和距离信息进行初步定位;利用未知节点之间的协作通信和测距信息,位置估计问题被转换为无约束非线性优化问题,给予短距离链路更高权重,通过迭代求解最终实现协作定位。仿真结果表明,所提算法在锚节点资源受限情况下有效地提升了定位精度。展开更多
方面级情感分类是一种细粒度的情感分析任务,旨在分析出文本不同方面的情感.针对方面级情感分类模型存在分类精度低、泛化性弱等问题,提出基于对抗学习的AOA-BERT方面级情感分类模型(Attention-Over-Attention-BERT for aspect-level se...方面级情感分类是一种细粒度的情感分析任务,旨在分析出文本不同方面的情感.针对方面级情感分类模型存在分类精度低、泛化性弱等问题,提出基于对抗学习的AOA-BERT方面级情感分类模型(Attention-Over-Attention-BERT for aspect-level sentiment classification model based on adversarial learning,AOA-BERT).首先,将文本和方面词单独建模,通过BERT编码提取隐含层特征.其次,将隐含层特征放入AOA(Attention-Over-Attention)网络提取权重向量.最后,将权重向量与建模后的文本特征向量相乘,并做交叉熵损失、回传参数.此外,通过对抗学习算法生成和学习对抗样本,作为一种文本数据增强方法,优化决策边界.实验结果表明,和大多数深度神经网络情感分类模型相比,AOA-BERT能提升情感分类的准确性.同时,通过消融实验,证明了AOA-BERT结构设计的合理性.展开更多
如今的网络安全主要联系于无线传感网络,定位算法的优劣决定了无线传感网络的能力,也就决定了网络安全的能力。分簇定位算法具有能量效率高、可扩展性好、简单可行的优点,但是分簇算法属于一种模糊定位算法,不具有较高的精度。此外,分...如今的网络安全主要联系于无线传感网络,定位算法的优劣决定了无线传感网络的能力,也就决定了网络安全的能力。分簇定位算法具有能量效率高、可扩展性好、简单可行的优点,但是分簇算法属于一种模糊定位算法,不具有较高的精度。此外,分簇算法的簇首替换如果在全局范围内进行选择,很容易造成高消耗。AOA(angle of arrival)算法在复杂环境中具有精确的定位能力。文章通过运用AOA测距算法,使分簇算法的每个节点具有自探测能力,通过节点相对夹角,用坐标算法算出相应于簇首的坐标。为了让能量消耗低于普通分簇算法,文章根据完全图中能量有效原理,让分簇只在初始时进行一次,在每个簇内无簇首或能量低时,对簇首进行重选举,再将信息发送给总簇。Matlab仿真实验表明,文章算法实现了range-based的分簇定位算法,且保留了快速部署、能量效率高、高精度的优点。根据实验,文章算法适用于不松散部署的无线传感网络。展开更多
文摘传统到达角度(Angle-Of-Arrival,AOA)/接受信号强度指示(Received Signal Strength Indicator,RSSI)混合定位往往需要多个锚节点布设阵列天线以实现高精度定位,为解决在锚节点资源受限下精度较低的问题,提出了一种基于Mesh网络的混合AOA/RSSI协作定位方法。仅有中心主锚节点提供AOA角度的情况下,采取最小二乘法对联合真实和虚拟锚节点所对应角度和距离信息进行初步定位;利用未知节点之间的协作通信和测距信息,位置估计问题被转换为无约束非线性优化问题,给予短距离链路更高权重,通过迭代求解最终实现协作定位。仿真结果表明,所提算法在锚节点资源受限情况下有效地提升了定位精度。
文摘方面级情感分类是一种细粒度的情感分析任务,旨在分析出文本不同方面的情感.针对方面级情感分类模型存在分类精度低、泛化性弱等问题,提出基于对抗学习的AOA-BERT方面级情感分类模型(Attention-Over-Attention-BERT for aspect-level sentiment classification model based on adversarial learning,AOA-BERT).首先,将文本和方面词单独建模,通过BERT编码提取隐含层特征.其次,将隐含层特征放入AOA(Attention-Over-Attention)网络提取权重向量.最后,将权重向量与建模后的文本特征向量相乘,并做交叉熵损失、回传参数.此外,通过对抗学习算法生成和学习对抗样本,作为一种文本数据增强方法,优化决策边界.实验结果表明,和大多数深度神经网络情感分类模型相比,AOA-BERT能提升情感分类的准确性.同时,通过消融实验,证明了AOA-BERT结构设计的合理性.
文摘如今的网络安全主要联系于无线传感网络,定位算法的优劣决定了无线传感网络的能力,也就决定了网络安全的能力。分簇定位算法具有能量效率高、可扩展性好、简单可行的优点,但是分簇算法属于一种模糊定位算法,不具有较高的精度。此外,分簇算法的簇首替换如果在全局范围内进行选择,很容易造成高消耗。AOA(angle of arrival)算法在复杂环境中具有精确的定位能力。文章通过运用AOA测距算法,使分簇算法的每个节点具有自探测能力,通过节点相对夹角,用坐标算法算出相应于簇首的坐标。为了让能量消耗低于普通分簇算法,文章根据完全图中能量有效原理,让分簇只在初始时进行一次,在每个簇内无簇首或能量低时,对簇首进行重选举,再将信息发送给总簇。Matlab仿真实验表明,文章算法实现了range-based的分簇定位算法,且保留了快速部署、能量效率高、高精度的优点。根据实验,文章算法适用于不松散部署的无线传感网络。