软件定义无线网络中双网络通道互备无线接入点切换方案

软件定义无线网络(Software Defined Wireless Network,SDWN)中,终端在无线接入点(Access Point,AP)切换时容易造成网络中断以及待切换无线接入点选择不当等问题,从而导致实时应用服务质量下降。为了解决这一问题,文中提出了一种基于双网络通道互备的AP切换方案。该方案首先利用双网络通道互备机制在链路层实现先连后断的软切换,并进一步利用SDWN中网络地址映射机制实现网络层的无缝切换。依据基于综合评价法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)的思想,设计实现了高性能AP选择算法。该算法中根据待切换AP的信号强度、负载、传输带宽和当前连接数构造待评价对象,并依据待评价对象与理想对象的接近程度进行待切换AP选择。通过NS-3网络模拟器仿真实验表明:相较于基于RSSI的切换方案,所提方案中实时应用的传输时延降低了85.29%,丢包率降低了14.11%,吞吐量提升了8.94%。提出的双网络通道切换方案能够明显改善单网络通道切换方案因AP切换造成的网络中断问题,更好地保障实时应用的服务质量。

电力设备缺陷文本的双通道语义增强网络挖掘方法

电力设备运维环节积累的缺陷文本可指导设备的状态评价和检修工作。然而缺陷文本结构多样且背景噪声强,导致智能挖掘信息的难度大。针对该问题,提出了基于双通道语义增强网络的电力设备缺陷文本挖掘方法。首先,分析缺陷文本的内容,结合自然语言处理方法预处理缺陷文本。利用Glove词向量嵌入模型将缺陷文本映射至数值空间表征语义。然后,基于词移距离构建缺陷文本的增强文本,通过含注意力机制的双向长短时记忆神经网络分别提取缺陷文本和增强文本的特征,进而在网络末端融合特征实现关键信息加强,提升模型分类性能。实例表明,所提双通道语义增强网络的分类Macro-F1指标相比于传统机器学习方法、单通道深度学习方法至少提高6.2%、5.2%,同时所提方法为实现图像、文本等多源运维数据的特征增强提供新思路。

基于图像融合和双通道卷积神经网络的配电网故障选线方法研究

针对传统的配电网故障选线方法受限于单一的故障诊断模型,提出一种基于图像融合和双通道卷积神经网络的配电网故障选线方法。研究目的是解决现有方法在面对高阻接地、噪声干扰、分布式电源接地、采样时间不同步等复杂工况时的准确性问题。首先,利用格拉姆角和场和格拉姆角差场将零序电流信号转成易于区分故障的二维图像,为图像处理提供了基础。其次,通过图像融合技术将GASF图像和GADF图像进行空间域图像融合,得到一张综合特征图像,充分利用了不同图像的特征,提高了特征表达的丰富性和有效性。接着,构建双通道卷积神经网络模型,其中一维卷积神经网络和ResNet50网络分别用于挖掘零序电流信号和格拉姆角场图像的特征。这种设计充分发挥了不同卷积神经网络在处理一维信号和二维图像时的优势。最后,将融合后的特征输入到Sigmoid函数实现故障线路的筛选。实验结果表明,该方法在各种复杂工况下的表现均优于传统方法,其准确率、Kappa系数、马修斯相关系数、召回率分别达到了99.97%、0.9993、0.9993、0.9995。这些结果表明,该方法不仅具有较高的准确性,还具有良好的鲁棒性和稳定性,能够有效应对高阻接地、噪声干扰、分布式电源接地和采样时间不同步等实际应用中的挑战。提出的方法为配电网故障选线提供了一种新颖且高效的解决方案,具有重要的实际应用价值和广泛的推广前景。

基于双通道时频卷积神经网络的故障电弧检测

交流故障电弧产生的高温极易点燃周围的可燃材料,是引发电线火灾的重要原因之一.准确检测不同类型的故障电弧对于预防重大火灾事故的发生具有重要意义.然而故障电弧的复杂性与隐蔽性给检测方法带来了极大挑战.基于阈值和电流特征提取的技术难以全面概括故障电弧的特征,而大多数基于深度神经网络的方法直接对电流信号进行特征学习,忽略了信号中的频率信息,从而导致泛化能力差的问题.对此,本文提出了基于时频特征学习的双通道时频卷积神经网络的故障电弧识别方法,设计了可学习的自适应离散小波变换,用于提取一维信号中的多尺度特征,同时通过短时傅里叶变换获取二维的时频图像特征,分别在这2种特征信号上进行卷积,最后将2个通道中学习的特征进行融合,用于分类预测.通过对故障电弧发生器采集到的3种工况下电弧电流信号进行性能评估,验证所提方法的有效性.实验结果表明,该方法与其他同类方法相比具有更高的电弧识别准确率,达到了97.91%.

基于膜量子布谷鸟搜索的双通道网络频谱资源分配

无线双通道Ad Hoc网络中,有效分配簇间码分频谱资源是提高资源利用效率的关键技术之一.综合考虑子簇码分频谱资源需求和分配公平性,给出了簇间码分频谱资源分配数学模型,并转换为以最大化码分频谱资源效益和分配公平性为多目标的受约束离散优化问题.结合膜结构、量子计算和布谷鸟搜索算法,提出一种新的离散组合优化算法——膜量子布谷鸟搜索算法.该算法使用量子鸟窝表征问题潜在解,利用布谷鸟寻窝产卵的演化方法在基础膜中寻求单目标最优解,通过膜间信息共享和非支配解等级排序求出具有多目标最优解的表层膜Pareto前端解集.仿真结果证明,与经典优化算法相比,该算法不仅能够同时求解单目标和多目标最优解,而且具有更优的收敛性能,能更好地实现码分频谱资源效益最优化.

无线双通道Ad Hoc网络分层路由协议设计与分析

无线双通道网络(Dual-channel network,DCN)能够有效解决码分资源浪费问题.大规模战术组网场景下,DCNs使用基于全连通子簇的分层分布式网络拓扑结构.设计了一种双通道网络分簇路由协议(Dual-channel network clustered routing protocol,DNCRP).DNCRP借鉴表驱混合路由思想,利用2跳范围邻簇ID和节点隶属信息完成基于源簇的2跳邻簇范围内簇间路由寻找,联合使用基于总簇首的拓扑信息计算和AODV路由寻找完成2跳邻簇范围外簇间路由寻找,而簇内通信因为源目的节点1跳可达则直接通信.仿真结果证明,在高业务负载和慢拓扑变化条件下,DNCRP具有优越的低时延和高吞吐量特性.

基于注意力与双通道网络的方面级情感分析

针对方面级情感分析任务不能充分兼顾句法全面性与语义关联性,且大多数研究中使用的图卷积仅考虑信息自上而下的传播,忽略了信息自下而上的聚合等问题,本文提出了基于注意力与双通道网络的情感分析模型.该模型在扩展依存表示的同时使用自注意力获取具有语义关联的信息矩阵,使用双通道网络结合全局句法与语义关联信息,双通道网络分别侧重于自上而下传播的语义特征与自下而上聚合的结构特征.通道内的图卷积输出会与信息矩阵进行交互注意力起到残差互补的作用,然后通过平均池化完成通道内的任务.最后将基于语义与基于结构的决策融合得到最终的情感分类特征.实验结果表明该模型在三个公开数据集上的准确率与F1值均有提升.

应用双通道卷积神经网络的地震随机噪声压制方法

地震资料中随机噪声的压制一直是人们关注的热点。传统方法难以平衡噪声的去除与有效信号的保护,且执行效率低。为此,提出了基于双通道卷积神经网络的随机噪声压制方法。首先,该网络是一个双通道网络,即由两个结构不同的子网络组成,目的是在压制噪声过程中提取到互补有效信息;其次,在下通道子网络中引入空洞卷积增大感受野,充分捕捉到地震资料中的邻域信息,从而更充分地保留细节信息;最后,借鉴残差学习的思想并使用Swish激活函数,提高了网络的降噪性能。模型和实际资料的实验结果表明,所提方法在有效地压制随机噪声的同时能够保留更丰富的纹理细节信息。

基于双通道卷积神经网络的航班延误预测模型

针对航班延误预测数据量大、特征提取困难而传统算法处理能力有限的问题,提出一种基于双通道卷积神经网络(DCNN)的航班延误预测模型。首先,该模型将航班数据和气象数据进行融合,应用DCNN进行自动特征提取,采用批归一化(BN)和Padding策略优化,提升到港延误等级的分类预测性能;然后,在卷积神经网络(CNN)基础上加入直通通道,以保证特征矩阵的无损传输,增强深度网络的畅通性;同时引入卷积衰减因子对卷积通道的特征矩阵进行稀疏性限制,控制不同网络深度的特征叠加比例,维持模型的稳定性。实验结果表明,所提模型与传统模型相比,具有更强的数据处理能力。通过数据融合,航班延误预测准确率可提高1个百分点;加深网络深度后,该模型能保证梯度的稳定,从而训练更深的网络,使准确率提升至92.1%。该基于DCNN算法的模型特征提取充分,预测性能优于对比模型,可更好地服务于民航决策。

基于衰减因子的双通道神经网络图像分类算法

为解决深度卷积神经网络(convolutional neural networks,CNN)难以训练的问题,提出一种快速、高效的双通道神经网络(dual-channel neural networks,DCNN),该神经网络由直通通道和卷积通道两种通道构成,直通通道负责保障深度网络的畅通性,卷积通道负责深度网络的学习。考虑到深层网络在训练时容易出现性能不稳定的问题,在卷积通道上引入卷积衰减因子,对其响应数据进行约束。设计一种"双池化层"对同一特征图进行降采样,不仅可以防止训练过拟合,还能保证各通道的维度一致性。在3个图像数据集CIFAR-10、CIFAR-100和MNIST上的实验结果表明,无论是神经网络的可训练深度、稳定性和分类精度,DCNN都明显优于现有的深度卷积神经网络。

基于双通道卷积神经网络的多标签图像标注

针对图像语义标注中存在的训练样本不均衡导致低频标注词标注准确率低的问题,提出一种双通道卷积神经网络模型(double channel convolution neural network,DCCNN)。其中一个通道是为训练低频样本设立的,以此提高低频样本在整个模型中所占比重,另一个通道用于训练全部的训练集。在标注过程中把两个通道的输出进行融合,对所需标注的标注词共同做出决策。在Pascal VOC2012标准数据集上对模型进行验证,实验结果表明,DCCNN模型相对于卷积神经网络(convolution neural network,CNN)无论是对低频标注词的标注准确率还是效率都有很大的提升,验证了该模型的有效性。

粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法研究

针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法.通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点.实验研究亦表明了上述优点.

基于视频分段的空时双通道卷积神经网络的行为识别

针对原始空时双通道卷积神经网络(CNN)模型对长时段复杂视频中行为识别率低的问题,提出了一种基于视频分段的空时双通道卷积神经网络的行为识别方法。首先将视频分成多个等长不重叠的分段,对每个分段随机采样得到代表视频静态特征的帧图像和代表运动特征的堆叠光流图像;然后将这两种图像分别输入到空域和时域卷积神经网络进行特征提取,再在两个通道分别融合各视频分段特征得到空域和时域的类别预测特征;最后集成双通道的预测特征得到视频行为识别结果。通过实验讨论了多种数据增强方法和迁移学习方案以解决训练样本不足导致的过拟合问题,分析了不同分段数、预训练网络、分段特征融合方案和双通道集成策略对行为识别性能的影响。实验结果显示所提模型在UCF101数据集上的行为识别准确率达到91.80%,比原始的双通道模型提高了3.8个百分点;同时在HMDB51数据集上的行为识别准确率也比原模型提高,达到61.39%,这表明所提模型能够更好地学习和表达长时段复杂视频中人体行为特征。

双通道时延脉冲耦合神经网络的AOV-网拓扑排序

在时延脉冲耦合神经网络DPCNN的基础上提出了双通道时延脉冲耦合神经网络(DCDPCNN,Dual Channels DPCNN)模型,并提出了利用DCDPCNN来实现AOV-网拓扑排序算法。该算法在深度优先搜索的同时兼顾广度优先搜索,同时忽略节点进栈顺序,在求得的拓扑序列的个数、计算中的临时数据量、有向环判断、计算速度方面,比传统算法有了较大的改进。

无线双通道网络话音业务信道接入性能分析

无线双通道网络能够有效解决战术环境下码分组网数目过小造成的码分资源浪费问题。混合业务传输环境下,实时话音业务信道接入性能是衡量无线双通道网络性能的关键指标之一。通过使用一种理想的固定时分信道带宽分配方案,在保障话音业务传输实时性的条件下,分别从单跳网络拓扑和多跳网络拓扑结构给出了双通道网络可用信道数目。使用基于优先权的混合业务多服务台离散时间排队模型分析了双通道网络的话音业务平均数目、呼叫阻塞概率、平均网络吞吐量和信道利用率等性能。数值计算结果证明:相比传统网络,双通道网络在混合业务高负载条件下能够容纳更多的话音业务并具有更低的呼叫阻塞概率。

基于双通道网络补偿的永磁同步电机预测控制器

为实现永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)的有效控制,利用PMSM的线性化模型,采用一种基于柔化控制增量策略的快速广义预测控制算法设计PMSM转速控制律.根据历史时刻的预测控制向量和预测输出向量设计一种双通道网络补偿算法,对前向通道和反馈通道中的网络时延和数据丢包进行补偿.针对因网络时延和数据丢包导致的辨识信息缺失问题,提出一种网络广义预测自校正算法来提高系统的鲁棒性.仿真结果表明,网络预测控制器能够对网络时延和数据丢包进行有效的补偿,极大地改善PMSM网络控制系统的性能.

基于高低维度特征融合的双通道卷积神经网络

为了充分利用图像中所隐藏的特征信息,提出将低级维度特征融合在全连接层,构建出融合了高低级维度特征的双通道卷积神经网络。首先构建一个传统的双通道卷积神经网络,在两通道上设置不同大小的卷积核,将双通道的池化层分别连接到全连接层,同时将两通道卷积神经网络的第一池化层提取的特征也直接送到全连接层,使提取得到的初级和高级特征图在全连接层上进行融合,融合后的数据输入到Softmax分类器进行分类。不同算法在fashion-mnist和CIFAR-10数据库上的对比仿真结果表明,本文模型获得了较高的分类准确率。

采用双通道卷积神经网络构建的随机脉冲噪声深度降噪模型

为提高对随机脉冲噪声(RVIN)图像的降噪效果,该文提出一种被称为双通道降噪卷积神经网络(D-DnCNN)的RVIN深度降噪模型。首先,提取多个不同阶对数差值排序(ROLD)统计值及1个边缘特征统计值构成描述图块中心像素点是否为RVIN噪声的噪声感知特征矢量。其次,利用预先训练好的深度置信网络(DBN)预测模型实现特征矢量到噪声标签的映射,完成对噪声图像中噪声点的检测。再次,在噪声检测标签的指示下采用Delaunay三角剖分插值算法快速修复噪声像素点从而获得初步复原图像。最后,将初步复原图像作为参考图像与噪声图像联接(concatenate)后输入D-DnCNN模型后获得残差图像,将参考图像减去残差图像即可获得降噪后图像。实验数据表明:D-DnCNN模型在各个噪声比例下的降噪效果均显著超过了现有的经典开关型RVIN降噪算法,与普通的单通道RVIN深度降噪模型相比也有较大幅度提升。

基于卷积注意力模块和双通道网络的微表情识别算法

微表情是一种人类在试图隐藏自己真实情感时作出的面部动作,具有持续时间短、幅度小的典型特点。针对微表情识别难度大、识别效果不理想的问题,提出一种基于卷积注意力模块(CBAM)和双通道网络(DPN)的微表情识别算法——CBAM-DPN。首先,进行典型微表情数据集的数据融合;然后,分析序列帧中像素的变化值以确定顶点帧位置,再对顶点帧进行图像增强处理;最后,基于CBAM-DPN对图像增强后的微表情顶点帧进行特征的有效提取,并构建分类器对微表情进行识别。优化后模型的未加权F1值(UF1)和未加权平均召回率(UAR)分别可以达到0.7203和0.7293,相较于DPN模型分别提高了0.0489和0.0379,相较于CapsuleNet模型分别提高了0.0683和0.0787。实验结果表明,CBAM-DPN算法融合了CBAM和DPN的共同优势,可增强微小特征的信息提取能力,有效改善微表情识别性能。

基于金字塔式双通道卷积神经网络的深度图像超分辨率重建

针对深度图像分辨率低的问题,构建了一种金字塔式双通道深度图像超分辨率卷积神经网络。在金字塔的每一级,通过两个通道对低分辨率深度图像提取不同的有效特征,通道1为增强型残差结构,可以将丰富的图像细节传递到后面的图层,通道2将不同卷积层提取的特征连接起来作为此通道最后一层卷积层的输入,有益于局部特征和全局特征的结合。接着,通过将不同通道融合后的特征输入亚像素卷积实现超分辨率重建。实验结果表明,相比其他方法,该方法得到的超分辨率图像缓解了边缘失真和伪影问题,有较好的视觉效果。