代价自适应OSPF

本文阐述了OSPF的基本特点 ,分析了由于业务会聚造成的网络局部拥塞问题。并对OSPF协议进行了改进 ,提出了代价自适应OSPF(CostAdaptiveOSPF ,CA_OSPF) ,CA_OSPF是对OSPF的兼容性扩展 ,运行CA_OSPF协议的路由器可以根据接口带宽的使用情况动态地调整接口的代价 ,从而实现网络负荷的均衡 ,提高网络的服务质量 (QoS)和资源利用率。文中详细阐述了CA_OSPF的基本思想 ,分析了仿真结果 ,并对CA_OSPF的性能进行了评价。

一种基于自适应代价约束凸函数的盲均衡算法

给出了一种针对正交幅度调制信号的盲均衡算法,该算法基于凸代价函数,在均衡器参数线性约束条件下具有全局最优解,新算法在性能保持不变的前提下具有较少的未知变量及约束方程,复杂度降低。为克服算法在恒定约束条件下可能存在均衡收敛速度慢,甚至不收敛的问题,给出了一种基于自适应代价约束的盲均衡算法,该算法只需更少信号样点,经过多次迭代即可达到更好的收敛性能。仿真实验验证了新算法的性能。

MIMO干扰信道下基于自适应复合代价函数的干扰对齐预编码设计

在多输入多输出(multiple-input multiple-output,MIMO)干扰信道中,针对传统的单边干扰对齐(interference alignment,IA)算法不能有效地保留期望信号而导致系统容量受限的问题,提出一种利用辅助中间变量实现单边IA的设计思想,并以此为基础,给出一种基于自适应复合代价函数(adaptive composite cost function,ACCF)的IA预编码设计方法。该方法首先定义期望子空间内的残留干扰和有用信号功率的自适应加权差作为代价函数;进而通过一辅助函数,将干扰抑制矩阵转化为中间变量,以构造复合代价函数;最后利用格拉斯曼(Grassmann)流形上的梯度下降法实现复合代价函数的优化求解。数值仿真结果验证了基于ACCF的IA方法在MIMO干扰信道中的有效性。

自适应代价动态时间弯曲的多元时间序列相似性度量

文章针对在多元时间序列动态时间弯曲度量中出现一对多情形容易产生距离相同的多条匹配路径导致无法确定最优路线的问题,提出一种自适应代价动态时间弯曲的多元时间序列相似性度量方法(ACM-DTW)。首先,多元时间序列按变量纵向排列把每个变量中数值列作为向量看待,计算向量之间的欧式距离作为两条多元时间序列间的基础距离矩阵;然后,自适应代价函数更新权重减少点列的重复使用次数,运用ACM-DTW度量多元时间序列间的相似性;最后,计算k近邻法在不同数据集上分类准确率。实验证明,ACM-DTW能有效地改进匹配时一对多情形从而实现较好的匹配结果,具有良好的准确性。

自适应最小转换代价分簇形成策略

现有传感器网络分簇结构设计都没有考虑簇头转换过程中的能量消耗问题,而且每一轮次的间隔时间也必须是预先已知的,与具体应用密切相关。本文提出一种自适应最小转换代价分簇形成策略,簇头根据自己能量状况自适应地决定是否开始新一轮次选举,通过连通子集的设置保证分簇之间的轮次转换过程互不影响。仿真结果表明,这种自适应最小转换代价分簇形成策略比其它的分簇协议簇头转换次数少,而且能量开销也较小。

基于预探索的动态自适应3DVFH+无人机避障算法

为解决无人机在未知复杂环境下的自主避障规划问题,同时考虑到旋翼无人机平台硬件资源稀缺的问题,提出了一种基于预探索的动态自适应3DVFH+算法。根据无人机飞行进度以及障碍物信息,动态调整代价函数的自适应权重因子;通过对无人机视野范围的预探索,构建了搜索树,并对障碍物及无人机模型进行了建模研究,同步实现了无人机在复杂环境中的可视化分析。结果表明,动态自适应代价函数消除了3DVFH+算法的死区现象;预探索机制解决了算法的局部最优解问题,规划航线缩短37.15%,所需时间减少24.48%。同时搭建了复杂度较高的森林障碍物进行验证分析,相较于使用八叉树框架建图的3DVFH+算法执行相同避障规划任务时节省内存可达25.26%。

代价敏感惩罚AdaBoost算法的非平衡数据分类

针对非平衡数据分类问题,提出了一种基于代价敏感的惩罚AdaBoost算法。在惩罚Adaboost算法中,引入一种新的自适应代价敏感函数,赋予少数类样本及分错的少数类样本更高的代价值,并通过引入惩罚机制增大了样本的平均间隔。选择加权支持向量机(Support vector machine,SVM)优化模型作为基分类器,采用带有方差减小的随机梯度下降方法(Stochastic variance reduced gradient,SVRG)对优化模型进行求解。对比实验表明,本文提出的算法不但在几何均值(G-mean)和ROC曲线下的面积(Area under ROC curve,AUC)上明显优于其他算法,而且获得了较大的平均间隔,显示了本文算法在处理非平衡数据分类问题上的有效性。

行列双动态规划的改进自适应立体匹配算法

在各种立体匹配算法中,利用动态规划算法求解可有效地提高立体匹配的速度和精确度,同时具有实时性好、易于实现的优点。利用动态规划算法的优点,提出一种基于行列动态规划的自适应立体匹配算法,采用改进的自适应代价函数和能量最小化模型,对最优化问题进行求解。在求解的过程中,基于行动态规划得到的列方向视差值的变化给予对应数据项不同的奖励值,以减少行动态规划产生的明显条纹,最后使用列动态规划得出最终结果。实验结果表明,该算法能够减少总体的匹配错误率,减少明显的条纹瑕疵,取得较理想的立体匹配效果。

基于分段特征及自适应加权的DTW相似性度量

利用动态时间弯曲(DTW)技术在原始多元时间序列进行相似性度量时时间复杂度较高,且DTW在追求最小弯曲距离的过程中可能会出现过渡拉伸和压缩的问题。提出一种基于分段特征及自适应加权的DTW多元时间序列相似性度量方法。对原始时间序列在各个变量维度上进行统一分段,选取分段后拟合线段的斜率、分段区间的最大值和最小值以及时间跨度作为每一段的特征,实现对原始序列的大幅降维,提高计算效率。在DTW计算最佳弯曲路径的过程中为每个点设置自适应代价权重,限制弯曲路径中点列的重复使用次数,改善时间序列因过度拉伸或压缩所导致的度量精度低的问题,以得到最优路径路线。实验结果表明,该方法能很好地度量多元时间序列之间的相似性,在多个数据集上都能取得较好的度量结果。

极值点自适应加权的动态时间规整算法

针对现有动态时间规整(DTW)算法普遍计算量大、时间复杂度高的问题,提出极值点自适应加权的动态时间规整算法(EWDTW)。局部极值的波动可反映序列变化趋势和整体形状特征,在提取局部极值点后按其原有位置分布近似表示原始时间序列,降低原始序列维数。在计算极值序列最佳动态弯曲路径的过程中,基于极值点的相位差、大小、类型等特征量为每个点设置自适应代价权重。利用权重参数调整距离矩阵的加权结构以适应不同特征的数据,并在降低计算复杂度的同时有效改善序列的病态对齐现象。实验结果表明,相比于DTW及其衍生算法,EWDTW算法在15个UCR数据集上的运算效率提升了10倍以上,尤其是在长时间序列和极值点占比低的序列上表现突出,并且对于大部分不同类型的时间序列具有良好度量性能,分类准确率更高。

分布式约束优化的震后救援路径规划

提出一种基于分布式约束优化的震后救援路径规划模型。通过分析地震烈度、震害指数、路段可靠性等因素,结合实际震后救援地图构建数学模型,提出一种新的自适应局部代价模拟算法(ALCS)对模型进行求解。算法中智能体在优化初期使用偏差修正策略对局部代价进行修正,以获得更好的初始解集。设计了一种自适应策略,提高算法的泛化能力。实验结果表明:基于分布式约束优化技术构建的数学模型能够有效提高震后救援效率,提出的ALCS算法比前沿的分布式约束优化问题(DCOPs)局部搜索算法的收敛质量更好,也能更有效地通过求解震后救援路径规划模型得出多条分布式救援最优路径。

基于最优间隔的AdaBoost_(v)算法的非平衡数据分类

为了解决非平衡数据分类问题,提出了一种基于最优间隔的AdaBoost v算法。该算法采用改进的SVM作为基分类器,在SVM的优化模型中引入间隔均值项,并根据数据非平衡比对间隔均值项和损失函数项进行加权;采用带有方差减小的随机梯度方法(Stochastic Variance Reduced Gradient,SVRG)对优化模型进行求解,以加快收敛速度。所提基于最优间隔的AdaBoost v算法在样本权重更新公式中引入了一种新的自适应代价敏感函数,赋予少数类样本、误分类的少数类样本以及靠近决策边界的少数类样本更高的代价值;另外,通过结合新的权重公式以及引入给定精度参数v下的最优间隔的估计值,推导出新的基分类器权重策略,进一步提高了算法的分类精度。对比实验表明,在线性和非线性情况下,所提基于最优间隔的AdaBoost v算法在非平衡数据集上的分类精度优于其他算法,且能获得更大的最小间隔。

一种改进A^(*)算法在智能车中的应用研究

在智能车的自主导航中,要求规划模块在满足一定限制条件下,生成符合智能车运动特性的路径。而传统A^(*)算法存在着路径点不平滑,路径点紧挨障碍物和起始时刻路径不合理的问题。为了解决传统A^(*)算法所存在的问题,首先建立了车辆运动学模型并得到约束条件,同时将方向代价和自适应障碍物惩罚代价加入评价函数中;然后用车辆约束条件优化启发函数和路径优化模块;最后通过自由边界三次插值算法拟合转折点,使A^(*)算法规划的路径能够更好地被跟踪模块跟踪。通过实验分析可知:相比于传统A^(*)算法,改进A^(*)算法规划的路径更适用于实际车辆的运动控制。

基于行列双动态规划的立体匹配算法

提出一种基于行列双动态规划的立体匹配算法,采用能量最小化立体匹配模型,其中包含数据项和平滑项,在求解能量最小化过程中,在行方向上利用动态规划的方法给出视差图的能量最小化解,利用行动态规划的求解结果给予对应数据项一个奖励,同时在列方向上对视差图进行动态规划求解,并将其作为最终求解结果。实验结果表明,该算法能够取得较理想的效果。

基于LSC图像分割的LBP立体匹配算法

在传统的全局立体匹配方法中,基于像素点的置信传播存在计算量大、单个像素点容易导致误差等缺点。为此,在图像分割处理方法的基础上,提出基于简单线性迭代聚类图像分割的循环置信度传播(LBP)立体匹配算法。运用LSC算法对图像进行分割,并利用一组平面模型进行建模,使每个分割区域至少对应一个视差平面标签。引入自适应匹配代价计算视差,获取可靠匹配像素点,通过最小二乘法平面拟合进行视差平面估计,并运用LBP算法优化视差平面标签。实验结果表明,与GC+occ、MultiCamGC等算法相比,该算法具有较高的匹配精度,能够处理低纹理区域和遮挡区域。

基于改进双向动态规划的立体图像匹配算法

提出一种基于改进双向动态规划的立体图像匹配算法,选用修正后的自适应加权代价函数(Adaptive Support Weight Cost Function,ASCF),然后构建新的全局能量函数,并通过改进双向动态规划来寻径,最后采用简单的滤波方法和遵循3个可靠性准则去除孤立的错误视差点,以获得稠密视差图。实验结果表明,该算法在降低误匹配率和减少"条纹"瑕疵方面有显著的改善效果。