基于SINR的动态无线网络分布式链路调度

无线信号之间的干扰阻碍了信号的并发传输,降低了无线网络的吞吐量.链路调度是提高无线网络吞吐量、减少信号传输延迟的一种有效方法.因为SINR (signal to interference plus noise ratio)模型准确地描述了无线信号传播的固有特性,能够真实反映无线信号之间的干扰,提出一种在动态无线网络中基于SINR模型的常数近似因子的在线分布式链路调度算法(OLD_LS).在线的意思是指,在算法执行的过程中任意节点可以随时加入网络,也可以随时离开网络.节点任意加入网络或者从网络中离开体现了无线网络的动态变化的特性. OLD_LS算法把网络区域划分为多个正六边形,局部化SINR模型的全局干扰.设计动态网络下的领导者选举算法(LE),只要网络节点的动态变化速率小于1/ε, LE就可以在O(log n+log R)ε≤5(1-21-α/2)/6,α表示路径损耗指数, n是网络节点的规模, R是最长链路的长度.根据文献调研,所提算法是第1个用于动态无线网络的在线分布式链路调度算法.

基于移动终端和3G网络的分布式噪声监测系统

针对噪声污染具有时间上的突发性和空间上的不连续性,设计了由移动终端、外接传声器、移动网络、接收终端组成的分布式噪声网络检测系统。移动终端和外接传声器组成数据采集节点,采集节点采集实时的噪声分贝值,利用移动终端的定位技术,定位到采集节点的当前位置,用移动终端的3G移动网络与接收终端连接,将噪声信息和位置信息打包发送到接收终端,接收终端负责接收各个节点的噪声信息和位置信息,利用LBS的Web技术,将数据以二维地图的方式展示,并且作为服务器提供信息查询服务。实验证明,系统稳定、可靠、成本低,为城市噪声测试提供了一种解决方案。

基于卷积神经网络的井中分布式光纤传感器地震数据随机噪声压制新技术

分布式光纤传感器(distributed fiber-optical acoustic sensor,DAS)是一种快速发展的具有巨大应用前景的地震勘探检波器技术.实际DAS地震资料往往会受到大量强能量随机噪声的干扰,通常表现为低信噪比(signal-to-noise ratio,SNR).这一现象给接下来的成像、反演以及解释带来了巨大的困难,因此如何压制DAS地震资料中的随机噪声并提高其SNR成为一个有待解决的技术问题.卷积神经网络(convolutional neural network,CNN)已经被证明是一种有效的噪声压制工具.通常情况下,CNN需要一个理论纯净地震数据集来优化网络,这极大地限制了CNN在DAS地震资料处理中的应用.在本文中,我们采用正演模拟的方法来构建理论纯净DAS地震数据集,通过正演模型的参数多样化增强数据集的真实性,从而获得适合DAS地震资料随机噪声压制的CNN去噪模型.此外,在网络结构方面,我们利用泄漏线性整流单元作为CNN的激活函数增强训练后模型对微弱有效信号的恢复能力;在训练过程中,通过能量比矩阵调节噪声片和有效信号片之间的SNR,增强CNN去噪模型对于不同SNR的DAS地震数据的适应性.模拟和实际实验均表明本文提出的这种正演模型驱动的卷积神经网络(forward-model-actuation convolutional neural network,FMA-CNN)能够有效地压制DAS随机噪声同时完整地恢复有效信号.

基于孪生网络的人工震源分布式光纤传感数据噪声压制

受耦合效应和其他诸多因素的影响,野外实际采集的分布式光纤声波传感(Distributed Fiber-optic Acoustic Sensing,DAS)数据的信噪比通常较低.因此,在后续处理之前,需要首先对DAS数据进行去噪处理.传统的基于人工智能监督学习的去噪方法能够对DAS数据中的噪声进行压制,但它需要大量含噪声和无噪声数据进行成组标记,人工标记工作量巨大.为此,本文提出了基于自监督学习孪生网络的DAS地震数据去噪方法.该方法基于自监督学习中的孪生网络结构,采用U-Net网络建立深度学习框架.所提框架通过对输入的含噪声数据进行数据自我特征学习,迭代获取去噪目标函数的最优解,从而实现自监督高精度深度学习去噪网络构建.合成数据和实际资料处理结果表明,本文方法可以有效抑制人工震源DAS采集数据中的随机噪声,显著提高去噪结果的信噪比和同相轴的连续性.此外,本文方法能够避免常规监督学习方法需要进行数据标记的人工工作量,有效提高实际地震数据去噪处理效率.

带乘性噪声和欺骗攻击的网络化时变系统的分布式最优估计

研究了传感器网络中带乘性噪声和欺骗攻击的时变系统的分布式估计问题。考虑到网络欺骗攻击信号的通信衰减,给出了一种网络欺骗攻击模型,提出了一种在线性无偏最小方差意义下的分布式最优估计算法。仿真例子验证了此算法的有效性。

带未知通信干扰和丢包补偿的多传感器网络化不确定系统的分布式融合滤波

研究了带有未知通信干扰、观测丢失和乘性噪声不确定性的多传感器网络化系统的状态估计问题.通过白色乘性噪声描述系统状态和观测中的随机不确定性,采用一组服从Bernoulli分布的随机变量描述网络传输过程中存在的观测丢失现象,且数据传输中存在未知的网络通信干扰.当发生丢包时,以当前丢失观测的预报值进行补偿.对每个单传感器子系统,应用线性无偏最小方差估计准则设计了不依赖于未知通信干扰的最优线性滤波器.推导了任两个局部滤波误差之间的互协方差阵.进而,应用矩阵加权融合估计算法给出了分布式融合状态滤波器.仿真例子验证了算法的有效性.

网络瞄准环境下最优分布式航迹融合算法

利用地域分散的多传感器系统跟踪目标是网络瞄准的主要作战方式。首先结合网络瞄准的作战特点,建立了两种典型的分布式航迹融合结构;然后对网络瞄准环境下传感器量测噪声相关问题展开研究,分别给出了传感器量测噪声相关与不相关情形下的最优分布式航迹融合方法。理论分析和仿真计算表明,这些方法等价于集中式融合算法,可以显著减小由于噪声相关造成的融合性能下降,从而在一定程度上提高了瞄准过程中目标的定位精度。

分布式在线振动监测网络系统

文中介绍构造以dsp为核心的信号实时处理单元,在此基础上组建基于现场总线技术的分布式在线振动实时监测网络系统,实现对噪声振动的实时监测。系统网络协议由CAN总线、I^2C总线以及并行总线构成。本系统通用性好,可靠性高,实时性强。

分布式FxLMS算法的收敛特性分析

基于声学传感器网络的分布式FxLMS算法可以解决大规模有源噪声控制系统带来的运算量和复杂度剧增的问题。首先对分布式算法进行了理论推导。在基于传感器网络的ANC过程中,通过各节点之间权系数的实时通信代替了部分权系数的迭代。分析了算法平均以及均方意义下的收敛特性,并利用仿真进行了验证。最后,比较了不同算法的降噪效果。结果表明,在减少运算量的基础上,分布式算法能够获得与集中式ANC系统一致的性能。

采用自适应一致性UKF的分布式目标跟踪

由于传统分布式跟踪方法在先验噪声协方差与其实际值不相匹配时跟踪误差较大,提出了一种采用自适应一致性无迹卡尔曼滤波的分布式目标跟踪方法,该方法首先执行分布式UKF算法得到对当前移动目标状态的估计值,然后通过一个系统错误检测机制,确定是否需要对噪声协方差值进行更新。如需要,则根据当前获得的测量信息去估计当前噪声协方差,并联合该估计值和先前的噪声协方差值获得一个新的先验噪声协方差值。最后根据新获得的噪声协方差值对获得的目标状态估计值进行修正。实验结果表明该方法具有较好的准确性和鲁棒性:在噪声未知环境下,基于ACUKF的分布式跟踪方法相比于基于容积信息滤波和基于分布式无迹卡尔曼滤波的跟踪方法,最大跟踪误差值分别减少了49.93%和51.46%;在目标过程噪声发生动态变化的情况下,提出的方法相比于上述两种传统跟踪方法,跟踪误差值分别减少了40.67%和40.06%。

一种频率域相关性分布式扩散最小均方算法

以均方误差为代价函数的最小均方(LMS)自适应滤波算法具有结构简单、易于实现、计算复杂度低、稳定性好等优点,然而在对未知系统的脉冲响应进行估计时,传统的分布式扩散最小均方(DLMS)算法易受到噪声的干扰,从而降低估计精度。针对该问题,提出一种频率域相关性分布式扩散最小均方(FCDLMS)算法。利用不相关信号的相关函数值趋近于零的性质,在DLMS算法基础上分别将输入信号的自相关函数以及输入和期望信号的互相关函数作为新的观测数据,消除噪声干扰,从而给出相关性DLMS(CDLMS)算法,并将算法扩展至频率域,在频率域中使用乘法运算而非卷积运算来更新抽头系数,减少计算复杂度。实验结果表明,与传统DLMS算法相比,频率域相关性分布式扩散最小均方算法在噪声环境下对分布式自适应网络中的未知系统脉冲响应具有更好的估计结果,算法性能更优,同时也能较好地适应多抽头数、多节点数、强噪声的复杂环境。

基于生成对抗网络的布里渊分布式光纤传感器降噪

首先,利用自洽约束生成对抗网络(SCGAN)建模布里渊增益谱(BGS)中的真实噪声分布,生成噪声数据用于去噪卷积神经网络训练。通过对高斯噪声和SCGAN生成噪声进行直方图统计和幅度谱分析,证明了两种噪声的差异。然后,利用2种噪声分别训练3种最新的去噪卷积神经网络,在不同温度、不同信噪比的实验数据上对比了各网络的性能。实验结果表明,所提方法能准确获取低信噪比BGS的布里渊频移,说明基于生成对抗网络的噪声提取方式能够有效地建模真实噪声,更好地训练有监督网络。

基于多尺度增强级联残差网络的DAS地震资料背景噪声衰减方法

由于复杂强背景噪声的影响,分布式光纤声学传感(Distributed Optical Fiber Acoustic Sensing,DAS)采集的地震记录普遍信噪比较低。如何有效抑制背景噪声,恢复弱上行反射信息,切实提升DAS记录信噪比,已成为资料处理领域的热点问题之一。针对复杂DAS背景噪声消减问题,提出了一种多尺度增强级联残差网络(Multiscale Enhanced Cascade Residual Network,MECRN)。MECRN具有双路径级联残差网络结构,通过双路径机制提取DAS记录浅层信息。在此基础上,引入空洞卷积和多尺度模块提取DAS记录的多尺度特征,并通过跳跃连接导入浅层特征,在避免有效特征损失的同时,提升网络的特征提取能力。最后,通过残差学习整合局部和全局特征,并对重建特征细化,进一步提升了MECRN的去噪能力。模拟和实际DAS资料处理结果均表明,MECRN可以有效地压制DAS记录中的复杂背景噪声,准确恢复弱反射信号,显著提升处理DAS资料的能力。

利用CobraNet协议实现分布式分区广播

结合具有CobraNet接口的TR800网络音频传输器的特点,介绍了CobraNet协议在分区广播系统中的应用,解决了传统广播系统存在的音质不佳、维护管理复杂等问题。

基于DNN和改进K-means的船舶辐射噪声开集识别方法

为提高船舶噪声识别系统的性能,实现开集识别,提出了基于深度神经网络(Deep Neural Network,DNN)和改进K-means的船舶辐射噪声开集识别方法。首先,采用Welch功率谱估计方法提取船舶辐射噪声的特征;然后,设计并应用DNN模型进一步提取特征向量;最后,使用改进的K-means模型实现开集识别。在实测数据上进行了实验,结果表明,所提方法能实现船舶辐射噪声开集识别,对于实测数据的平均识别正确率为93.5%,较DNN+K-means++方法提高了6.2个百分点。对实测数据添加实验船发动机噪声或渔船噪声进行实验,结果表明,识别方法在其他船只噪声干扰下具有较好的鲁棒性。

带通信噪声的树形传感器网络的反馈检测算法

通过分析树形无线传感器网络的工作原理,引入反馈结构。在一个可能产生信道噪声的网络中,每个节点在进行判决时会综合考虑自身在上一时刻的判决与自己所有子节点的判决。通过这样的反馈结构利用更多的信息进行判决,从而降低信道噪声对系统检测性能的影响。实验与分析表明,该算法可以提高系统的检测性能。

结合概率图模型与DNN的DDoS攻击检测方法

从传统网络到物联网,分布式拒绝服务攻击一直是网络安全的隐患。为提高分布式拒绝服务攻击的检测率,提出基于概率图模型与深度神经网络的DDoS攻击检测方案。该检测方案由数据预处理阶段和攻击检测阶段组成,在数据预处理阶段,研究了正常数据包与攻击包的区别,分别从TCP、UDP以及IP数据包包头信息提取出较高维的统计特征,根据随机森林计算的特征重要性因子,保留了前22个特征用于流量检测。22个统计特征通过概率图模型的隐马尔科夫算法进行聚类,然后将聚类结果通过检测阶段的深度神经网络对网络数据进行进一步的检测。在CICDoS数据集上进行验证性实验,结果表明,该检测方法的准确率最高可达99.35%,最低检测误报率和漏警率分别可达0.51%和0.12%。

联合深度神经网络和凸优化的单通道语音增强算法

噪声估计的准确性直接影响语音增强算法的好坏,为提升当前语音增强算法的噪声抑制效果,有效求解无约束优化问题,提出一种联合深度神经网络(DNN)和凸优化的时频掩蔽优化算法进行单通道语音增强。首先,提取带噪语音的能量谱作为DNN的输入特征;接着,将噪声与带噪语音的频带内互相关系数(ICC Factor)作为DNN的训练目标;然后,利用DNN模型得到的互相关系数构造凸优化的目标函数;最后,联合DNN和凸优化,利用新混合共轭梯度法迭代处理初始掩蔽,通过新的掩蔽合成增强语音。仿真实验表明,在不同背景噪声的低信噪比下,相比改进前,新的掩蔽使增强语音获得了更好的对数谱距离(LSD)、主观语音质量(PESQ)、短时客观可懂度(STOI)和分段信噪比(segSNR)指标,提升了语音的整体质量并且可以有效抑制噪声。

远程计算机网络的实验研究

本文阐述了作者以HONEYWELL DPS6、DPS8为研究对象所进行的远程计算机网络的实验研究。虽然HONEYWELL公司的网络软件自称是等价ISO开放式互连系统(OSI)的参考模型,然而它并没有提供全套的网络软件。在现有的系统中,哪些与网络有关,哪些可用,哪些需开发,要实现远程需考虑哪些问题,根据哪些步骤,如何操作,如何使用市话线实现数据通信,有关这些问题需我们研究与分析解剖,而最重要的是反复实验。在跨越二十七公里的市内电话专线上,作者成功地实现了DPS 6 ＆DPS 8的分布式网络和中大型机DPS 8的主机-主机通信。

基于高斯混合模型的Wyner-Ziv视频编码

针对现有Laplacian模型不能精确描述相关噪声分布,分布式视频编码(Distributed Video Coding,DVC)的率失真性能改善非常有限,文中提出一种基于高斯混合模型的分布式视频编码方法.首先分析了WZ帧与相应边信息之间相关噪声的统计特征,发现相关噪声信息的分布并不满足某种单峰分布,然后采用高斯混合模型(Gaussian Mixture Model,GMM)对噪声系数直方图进行拟合,提出基于样本特征的EM(Expectation Maximum)算法来估计模型参数.将提出的高斯混合相关噪声模型与相应的Laplacian模型进行比较,实验结果表明前者更能精确描述相关噪声的统计特征,基于该模型的DVC率失真性能优于基于Laplacian模型的DISCOVER方案,获得的平均增益接近1dB.