基于滑动窗口和置信度的无线传感器网络异常检测算法

针对无线传感器网络中异常检测误报率高及节点间通信开销大的问题,提出了基于滑动窗口和置信度的无线传感器网络异常检测算法(ADABSWC)。该算法使用环境干扰因子量化监测环境中的不确定性,建立异常数据干扰区间识别滑动窗口中的异常数据。提出了数据异常度的计算方法,用来预判异常来源;然后引入多通信半径划分最佳邻域,利用相对熵计算节点信息置信度;根据节点信息置信度协同判定出节点异常数据的来源。通过仿真实验,ADABSWC算法在不同传感器节点规模下均体现了较好的性能。该算法与KNN-PSOELM、OFN算法相比,事件节点、错误节点的检测率均高于98%,且误报率均低于1.5%。实验结果表明,所提出的算法可保证高检测精度的同时控制误报率在较低水平,算法拥有较好的容错性能。

一种基于图论的自适应滤波算法

针对脉冲噪声特点,提出一种基于图论的自适应滤波(SAFG)算法。该算法首先设置全局阈值标识出所有可能的噪声点;然后,对每一噪声点进行局部操作,通过比较不同滤波窗口的置信度,自适应调整窗口大小,选择合适的置信滤波窗口;最后,采取两步滤波策略,利用窗口中的非噪声点信息对噪声点进行修复。仿真实验结果表明:SAFG算法不仅能有效抑制强脉冲噪声的干扰,而且可较好地保留图像的细节特征,滤波性能均比经典的中值滤波(MF)和维纳滤波算法的强。

基于深度学习的复杂环境下交通信号灯检测算法研究

近年来,基于深度学习的端到端的特征提取方法的提出,给交通信号灯的检测提供了一个全新的思路。但在小目标检测及识别中还存在巨大挑战,尤其是在交通信号灯检测识别任务中,存在大量因拍摄距离产生的尺寸大小问题。文章从当前交通信号灯检测与识别的业务场景入手,分析传统目标检测与识别算法中的缺点,对比深度学习相关算法的优点,经研究分析与实验得出上下文信息对交通信号灯检测与识别的重要辅助价值。