一种基于ELM预测的NDN移动性支持方法

命名数据网络(NDN)架构是信息中心网络思想指导下的新一代网络架构,移动性支持方法是命名数据网络架构下的主要研究点。传统的生产者端移动性支持方法都采取事后应对的方式,对消费者而言,该方法无法保证切换过程的透明性。针对上述问题,提出了一种基于ELM预测的移动性支持方法 PB,该方法对原有前向转发表进行修改,并增加了新的控制消息分组使得网络中相应节点可以针对预测算法的结果进行提前调整,并且兴趣分组多播的方式使得无论何时发生切换,生产者终端都能立即对兴趣分组进行响应,同时方法针对预测可能失败的问题提供了快速恢复网络原有状态的方法。仿真实验表明,本文提出的PB移动性支持方法相比于RP和IP移动性支持方法能显著降低切换时延,减少因切换导致的分组丢失。

浅析锂电池剩余寿命的ELM间接预测方法

锂离子电池在实际的使用过程中经常会出现性能退化现象,电池性能退化必然会影响到仪器设备的正常使用,严重时可能会引起设备故障,因此电池使用过程中通常会使用一定的方法对锂离子电池的剩余使用寿命进行预测,现阶段常用的锂离子电池剩余寿命预测主要有两类方法,但这两种方法都存在着一些问题,因此本文构建一种ELM间接预测的方法,本文将对这种方法进行详细地介绍。

基于不平衡数据集的蛋白质ATP结合位点集成预测

集成学习是一种新的机器学习范式,它通过训练若干有差异的学习器,并将它们的预测结果进行合成,相对于单个学习器,集成学习算法可以显著提高学习系统的泛化能力。因此对集成学习理论和算法的研究成为了机器学习领域的一个热点。现在,集成学习已经成功应用于航空航天、地震波分析、生物特征识别、医疗诊断等众多领域。但集成学习技术还不成熟,对集成学习的研究还存在很大的进步空间。