基于均衡代价函数的信道阶数盲估计算法

针对信道阶数估计问题,利用单输入多输出(Single-Input Multiple-Output,SIMO)有限冲激响应(Finite Impulse Response,FIR)信道的结构特点和输入/输出信号的统计特征,提出了一种基于均衡代价函数的信道阶数盲估计算法.首先计算了归一化最小二乘均衡(Normalized Least Squares Equalization,NLSE)代价函数在理想条件下的理论渐近值,并指出其拐点与信道阶数之间的对应关系.然后分析了NLSE代价函数在实际条件下的近似值.最后引入了拐点优化因子,提出了一种基于NLSE代价函数拐点检测的信道阶数估计算法.理论分析和仿真结果表明,在信噪比(Signal-toNoise Ratio,SNR)较低和信道首尾系数较小的情况下,该算法比现有其它方法具有更强的鲁棒性,可以获得更小的接收信号均衡误差.

基于链路质量的WSN代价均衡路由选择算法

该文针对无线传感器网络中不可靠链路通信耗能过大的问题,基于链路质量进行路由代价函数构建,并为各条路径分配适当的选择概率,采用最小跳数转发策略设计了代价均衡的路由选择算法CBLQ;为了进一步降低和均衡路由代价,分析同跳节点的备选转发条件,又扩展形成了新的路由选择算法CBLQ-E。仿真实验结果证明,两种算法均使网络的能量利用率得到有效提高,同时还降低了网络的数据传输时延。

基于负载均衡的ZigBee动态路由优化算法

ZigBee网络中的路由路径单一,使得网络能量不能充分利用,产生过早出现死亡节点、网络效率低,甚至分割死亡的问题。为此,提出一种均衡负载的ZigBee动态路由算法。通过发送定向RREQ分组减少网络风暴,基于节点及其邻居节点能量、网络平均能量、路由路径能耗设定平衡代价,采用多目标寻优选择最优路径,以此构建网络动态路由,实现网络负载的均衡。同时,建立簇树保护机制延长网络寿命。仿真实验结果表明,与经典ZigBee路由算法和改进算法相比,该算法可降低死亡节点数和能耗,延长网络生存时间。

外观融合运动感知的运动目标分割算法

现实场景中的运动目标分割旨在分割当前场景下的运动物体,对于许多计算机视觉应用有着至关重要的作用。现有的运动目标分割算法大多通过2D光流图中的运动信息来分割运动物体,然而,这些方法还存在一些问题。当运动物体在极面内运动或者其3D运动方向和背景一致时,很难通过光流图分割得到;另外,错误的光流预测也会影响分割的结果。为了解决以上问题,提出了不同的运动代价,以提升运动目标分割的正确率。针对和背景共线或共面运动的物体,设计均衡重投影代价和多角度光流对比代价,通过运动物体的2D光流与背景2D光流的差异来检测运动物体。针对自我运动退化,设计差异单应性代价。最后,提出了一种基于外观融合的运动感知结构,以分割各种场景下的运动物体。采用多模态共同注意力门控,更有效地捕获运动特征和外观特征的关系,以促进外观特征和运动特征更好地交互。此外,为了突出运动的物体,提出了多层运动注意力模块,以减少冗余的外观特征对结果的影响。实验结果表明,所提方法在KITTI,JNU-UISEE,KittiMoSeg和Davis-2016数据集上均能获得较优的运动目标分割结果。

浅析基于代价机制的频谱接入方法

认知无线电(Cognitive Radio,CR)是一种潮流的智能无线通信技术,它通过一定频谱感知、一定的功率控制和频谱管理、频谱切换、频谱共享等技术,能够实现在对授权用户正常通信造成不影响的前提下,伺机的接入合法用户频段,实现频谱动态接入。MATLAB仿真结果表明基于代价函数的动态频谱接入方法具有可行性,在满足一定条件时能够使次用户在共享授权用户频谱时候达到利益最大化即纳什均衡,并得到次用户能共享到的频谱和获得的收益与自身的信噪比成正相关。

基于Pareto最优的DaaS数据布局策略

数据库即服务(database as a service,DaaS)作为一种新型的数据存储提供模式被广泛应用.随着大数据时代的到来,数据量急剧增加,DaaS模式下的数据布局问题显得更加重要,即服务提供商如何根据应用中不同数据的性能需求对数据进行合理布局,将会对提高服务质量、增强用户体验和降低自身服务成本产生重要影响.然而对于服务提供者来说提高服务质量和降低服务成本是一对矛盾的目标.提出DaaS模式下的数据布局图概念,应用Pareto最优思想适合于解决多目标矛盾性问题的特点,给出一个基于性能-代价均衡的多节点DaaS数据布局策略.通过与随机策略和贪婪策略等传统策略的实验比较,方法能保证DaaS服务提供商用尽可能少的代价为用户提供更好的服务质量,实现服务质量与资源代价两个目标的均衡.

求解加权MTSP问题的CUDA并行群智能方法

针对混合迭代算法执行时间长的问题,根据粒子群优化(PSO)算法和蚁群优化(ACO)算法的并行特点,结合其在GPU上并行化实现技术和编程优化技巧,提出一种基于CUDA的粒子群聚类蚁群的并行群智能混合方法GPSO-AC。该算法利用GPU的多个流处理器(SM)和单指令多线程(SIMT)的指令架构,将GPSO-AC算法在运行中的独立个体的搜索过程同时并行执行,在保证算法精度的基础上,加快混合迭代法的执行速度。考虑到实际场景中旅行商在每个路段上各项开销不同,可以抽象为每段路程区间上都有一个与之对应的代价,将路程代价考虑到MTSP问题中。采用TSPLIB库中6个测试数据集,将GPSO-AC与PSO-AC、TPHA、K-means-AC等算法进行比较,并进一步探讨了加入代价均衡约束后对加权MTSP问题最优解收敛性能的影响。使用chn31数据集上不同旅行商数时,GPSO-AC在不考虑代价均衡、代价均衡约束、加权代价均衡的情况下的代价标准差分别为1165.26、54.97、6.74。结果表明:在求解一般MTSP问题及其衍生加权、代价均衡MSTP问题上,GPSO-AC在执行速度和收敛精度上均优于CPU串行算法,且随着模型规模增加,其速度优势更加明显。

乳腺X线影像预处理新方法

基于传统乳腺X线影像的计算机辅助检测微小钙化点已经成为乳癌早期诊断的研究热点。但由于乳腺钙化点自身特点,准确地检测出钙化点在时间和精确度上还是一个挑战。本文中,我们提出一种寻找钙化ROI的新方法。在南京中大医院乳腺癌数据集上的所得的实验结果为,可以去除92.1761%的没病变区域,一张图的处理时间为15.32秒。