基于动态贝叶斯LS-SVM的水下节点移动预测定位算法

针对水下无线传感器网络环境的复杂性和节点的动态性所导致的节点定位精度低的问题,提出了一种基于动态贝叶斯LS-SVM的水下无线传感器网络节点移动预测定位算法;该算法以信标节点到通信半径内所有信标节点的距离和跳数矩阵作为训练集;利用贝叶斯证据框架构建贝叶斯LS-SVM模型,将未知节点与信标节点之间的跳数向量作为测试集;将测试集代入到训练好的贝叶斯LS-SVM模型中来确定节点之间的距离,进而建立节点与信标节点距离矩阵的方程并利用最大似然估计法对未知节点坐标进行估算;最后,通过循环迭代的方式对所有未知节点进行定位的同时使用自适应增减算法动态调整模型参数和预测模型,以适应数据的动态变化;实验结果表明,该算法相同的节点密度下相较于SLMP算法、RTLC算法、NDSMP算法以及MPL算法的平均定位误差分别降低了24.77%、22.25%、3.1%、6.5%,有效地实现了水下未知节点的动态定位。

使用动态增减枝算法优化网络结构的DBN模型

近年来深度信念网络(DBN)得到了广泛的应用,但在现有文献中很少有关于如何动态确定其结构的详细研究。提出了一种使用动态增减枝算法的DBN模型(DDBN),可以有效地优化DBN的网络结构。DDBN可以使用动态增减枝算法而不是人工实验来自动确定其结构。首先,在训练过程中通过改变隐藏层层数和隐藏层神经元的数量,自动构建DDBN的结构,这是通过动态增减枝算法实现的。该算法依赖于隐藏层神经元的权重距离(WD)和激活概率的标准差以及整个网络的能量函数。其次,DDBN能够在动态过程中调整权重,有助于提高网络性能。最后,为了验证DDBN的有效性,将DDBN在MNIST、USPS和CIFAR-10三个基准图像数据集上进行了测试。实验结果表明,DDBN比现有的一些DBN结构调整方法具有更好的性能。

一种分布式系统的处理机分配算法研究

增减算法是一种启发式的处理机分配算法。对增减算法进行了分析,然后在此基础上对该算法进行了改进,缩短了平均响应时间。

VAOS克里金插值在三维地震属性平面图的应用

三维地震属性数据巨大,在实际应用中一般采用局域克里金插值算法进行插值。目前常用的指定距离半径、指定点数、kd-tree等搜索算法均涉及距离计算、遍历已知点,相对较为费时。对此,提出一种无须距离计算、无须遍历已知点而直接利用待插值点位置的增减实现邻域点的选取方法(VAOS),以高效实现克里金插值。经过实验验证,在同精度下,该算法比距离半径搜索法快数十倍。