无线网络中全调度问题的一种随机分布式算法

无线网络中的全调度，要确保网络中每个节点所可能的链路信息和广播信息都能无冲突地进行传输．通过简单的构造方法，证明了多项式时间内，能找到一个长度为O（△^2out △in）的全调度；并且给出了全调度问题的一种随机分布式算法，证明了这种随机分布式算法，对任意的常数h，0〈h〈1，能以1-h的概率，得到一长度为O（△in △^out Inn/h）的全调度．

改进的机器学习模型在肺结节良恶性分类中的研究

肺癌发病率不断上升,借助影像手段快速进行肺结节的早期评估,对提高患者生存质量具有重要意义。针对这个问题,提出了一种新的肺结节良恶性分类模型,该模型首先采用过采样算法消除良性样本比例过高导致的结果偏移现象;然后提取每个结节的影像组学特征,并结合斯皮尔曼相关性变量剔除以及最小绝对收缩选择算子进行特征筛选,选取最优特征子集;最后采用余弦递减型惯性权重改进随机发生分布式延迟粒子群算法,以精准搜索全局最优参数,建立最佳分类模型。利用LIDC数据库上的608例训练集和68例测试集对模型进行训练和测试。模型在测试集上的AUC、准确率、精确率、召回率分别为0.93、0.941、0.917以及0.971。结果表明该模型能有效分类肺结节,有望在临床上进行肺结节的良恶性辅助诊断。

面向多目标追踪的无线传感器网络协同任务分配研究

在基于动态联盟机制的无线传感器网络协同任务分配研究中,为了解决多目标追踪带来的联盟间的资源竞争问题,本文采用分布式约束满足算法解决多动态联盟间的协同问题.根据无线传感器网络多目标追踪的应用需求,建立了基于动态联盟机制的协同任务分配的分布式约束满足模型,并采用分布式随机算法求解满足约束条件的动态联盟集合,实现多动态联盟间的协同.仿真结果表明,分布式约束满足算法有效地解决了多目标追踪中多个动态联盟间的资源竞争问题,能够有效降低系统的能量消耗.

基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。