人工智能司法安全风险的算法中心治理模式

人工智能司法的本质是算法司法,法官后撤是人工智能司法的实践特征。算法正义不仅未对司法正义造成冲击,而且契合传统司法正义一以贯之的形式理性价值。在此基础上,人工智能司法的安全风险是算法正义指导下的程序风险、实体风险以及技术的固有风险。因此,以算法为中心的治理模式才是人工智能司法安全风险治理的理想模式与核心所在。面向人工智能司法的未来实践,可以围绕算法训练的数据、算法运算的模型以及算法输出的结果这三个维度,配合数据的安全与保护、模型的微调与优化以及结果的纠偏与校验等具体方案,构建“数据-模型-结果”三维一体的治理模式。

传感器网络中一种分布式数据汇聚层次路由算法

由于传感器网络具有能量约束 ,低速率冗余数据和多对一传输等特点 ,传统的端到端集中式路由算法一般不适合传感器网络 .提出了一种分布式数据汇聚层次路由算法 ,该算法利用能量核的思想汇聚数据和减少传输到目的节点的信息 .模拟结果表明 :比较传统的端到端集中式路由算法 ,该算法可以显著减少能量消耗 ;与一般的数据汇聚算法相比 ,该算法在保证能量消耗少的条件下 。

基于MRF模型和EM算法的多源图像融合方法

提出了两种图像融合方法。该方法首先利用EM-MRF算法与模糊分类方法的等价性,将EM-MRF算法引入到图像融合领域。在此基础上,利用统计模型对图像进行非监督分类的模型参数估计转化通过EM算法从不完全数据中估计模型参数的问题,并利用Markov随机场模型建立类别的先验概率、EM迭代算法进行图像分类的方法有较高的分类精度和鲁棒性,导出了基于分布式和集中式多传感器图像融合模型的两种融合方法。最后仿真试验表明,这两种融合方法既可以提高分类精度,又可以加强对噪声的抗干扰能力。

面向内容中心网络基于分布均匀度的蚁群路由策略

面向内容中心网络,采用转发服务评价函数得到转发端口集合,结合端口集合和自适应转发策略提出一种基于分布均匀度的层次化蚁群算法,通过感知路由信息素来选择最佳路径,综合考虑收敛时间和精确性对算法进行优化。仿真实验表明,所提出算法在降低内容请求时延和均衡节点负载方面有较好的表现。

一种利用K均值算法的内容中心网络缓存机制

互联网的应用方式正从以面向主机的点对点通信为主转向以海量内容获取为主.为适应这一转变,研究界提出了以内容为中心(Content-Centric Networks,CCN)的新型网络架构.网络缓存作为内容中心网络的重要元素,能够有效减少网络带宽和传输时延.为了降低内容中心网络的缓存内容冗余度和提高缓存内容命中率,提出了一种利用K均值算法的缓存机制KCache(K-means algorithm utilized Caching mechanism).KCache利用控制器获取各路由器上内容的请求次数以及网络状态信息,并据此计算得到若干个缓存节点,向其发出主动缓存内容的指令.仿真实验表明:与传统内容中心网络缓存机制相比,KCache可有效提高缓存内容命中率,降低获取内容的跳数以及降低平均请求时延.

信息中心网络中基于局部内容活跃度的自适应缓存算法

通过对信息中心网络的网内节点缓存建模,分析发现基于全局内容流行度的替换策略不适用于信息中心网络的分布式模式。继而提出了一种基于局部内容活跃度的缓存替换策略LAU,并基于该策略提出了一种自适应路径缓存算法ACAP,使缓存内容按照本地活跃度依次缓存在访问路径中。仿真结果表明,LAU策略提高了单节点缓存命中率;ACAP相比已有的路径缓存算法,具有较低的服务器命中率和跳数比。最后对该算法适用的缓存结构和拓扑结构进行了讨论和分析。

基于网络中心战的一对一空战信息优势分析

概述基于网络中心战的空战信息优势的范畴,讨论了基于网络中心战的空战信息的获取方法和空战信息优势的取得;利用对策论理论分析了一对一空战信息优势的对策论算法表示;得到了一对一空战基于作战最终效果的最优信息优势值x*选取方法,使得作战飞机在具有该信息优势度作战的效果最好。

基于各类各向异性的EM-MAP-HMRF多源遥感图像融合算法

为提高目标识别率,在目标图像融合过程中引入Markov随机场建立类别的先验分布模型,针对模型中参量β的选取问题,提出了基于各类各向异性的期望最大化-最大后验概率-多层次马尔可夫随机场集中式与分布式两种图像融合算法.实验证明,两种融合算法都既可以提高分类准确度,又能够增大抗噪能力,且二者又有不同的特色,可以根据实际要求(如,运算速度、分类准确度、计算负荷等)进行应用选择,用以提高对特定目标进行自动检测与识别的准确性.

基于跨层信息的信息中心网络缓存算法研究

为了提高信息中心网络(ICN)的性能,研究了ICN缓存算法的优化设计。针对现有的缓存算法冗余度高、命中率较低的问题,提出了一种基于跨层设计的全新的ICN缓存算法CRCache,该算法根据网络层信息与应用层信息之间的相关性,有选择地将内容缓存在与其相匹配的路由器上。通过这种跨层的缓存设计,CRCache缓存算法能够消除网络中不必要的冗余内容、提高缓存命中率、减少网络流量。设计并实现了基于真实用户访问日志与真实中国网络拓扑的大规模仿真实验,通过实验证明,该算法在缓存命中率、网络流量减少率、服务器负载等指标上均优于现有的缓存算法。

信息中心网络实时业务支持技术

NDN针对不同业务类型特征和内容语义,单一地执行相同的请求应答模式、缓存和路由决策,难以实现实时业务的高效内容分发,针对该问题提出了信息中心网络实时业务支持技术RTSS。利用长久兴趣报文的请求模式减少了兴趣报文开销;快速转发的数据响应策略降低了查表和缓存的响应延迟;基于改进蚁群优化算法的路由转发方式提高了实时业务的服务质量保障水平。仿真结果表明,RTSS方案以有限的计算和存储代价,降低了实时业务的平均响应时延。

自适应簇和学习算法的调度策略

提升用户的峰值速率和吞吐量性能一直以来是一个非常重要但同时又具有挑战性的问题。密集蜂窝网络中,采用了以用户为中心的自适应簇和基于学习算法高速缓存方法的调度方法,一定程度上可以改善用户的峰值速率和吞吐量性能;应用调度策略的网络中,以用户为中心的自适应簇方法能实现每个用户的效吞吐量最大化。若小基站有很高的存储容量,常用的数据被储存在本地小基站的缓存器中,用户可以通过学习算法选择附近小基站中的一个来获得想要的数据。当用户进行通信时,可计算出此时自适应簇的最大化归一化有效吞吐量,大于门限值时选择基于自适应簇的通信,否则采用基于学习算法的方法选择最优的小基站进行通信。这种新颖的网络架构能够为用户提供个性化的网络服务,提升用户的峰值速率和吞吐量性能。

网络中心化仿真任务共同体服务选择算法研究

网络中心化仿真的核心问题是如何动态地把散布在网络上的各种服务进行整合,以形成新的、满足不同用户需求的仿真任务共同体.提出了一种仿真任务共同体服务选择算法(simulation task community service selection algorithm,STCSSA),其主要思想是将仿真任务共同体的构建转换成带QoS全局约束多目标优化的服务查找问题.首先介绍了仿真任务共同体服务QoS模型,并对任务共同体服务组合流程进行了评价;接着详细介绍了STCSSA运行流程,对算法的惯性权重动态变化策略进行了设计,并提出了一种可选的变异操作方法;最后将STCSSA与其他粒子群优化算法进行了对比测试,不仅从算法性能角度验证了STCSSA在提高收敛速度及避免局部最优方面具有优势,还从算法应用角度验证了STCSSA适用于大规模仿真下的网络中心化仿真任务共同体构建.

基于蚁群算法的ICN路由算法

针对信息中心网络(ICN)路由问题,提出一种基于蚁群算法的ICN路由算法(IRABA)。基于传统蚁群觅食行为,综合考虑相邻节点间内容浓度、兴趣蚂蚁队列长度以及请求节点与转发节点集间的内容相似度3个因素,获取转发概率计算模型。采用轮盘赌模型进行兴趣蚂蚁转发接口的选择,在不造成拥塞的情况下,将兴趣蚂蚁往高概率节点转发,确定最佳的兴趣蚂蚁路由路径。仿真结果表明,在兴趣蚂蚁请求数量不断增加的情况下,使用IRABA可以有效避免网络拥塞,降低网络能耗,提高平均路由命中率,减少路由执行时间。

基于果蝇优化算法的ICN能效优化策略

针对信息中心网络(ICN)中路由和缓存管理算法的低能效问题,提出一种基于果蝇优化算法(FOA)的能效路由和缓存管理策略。将FOA应用到ICN的用户请求寻路过程中,根据ICN特性,使用网络能耗作为FOA算法中的味道浓度值获取最优路径。同时记录沿路请求合并节点,并通过设定缓存决定函数,以确定是否在合并节点进行缓存。仿真结果表明,与LCE、LCD以及Heuristic缓存算法相比,该算法可以减少网络能耗并迅速获取网络内缓存情况,避免大量的网络内容冗余,降低由网络设备管理引起的能耗。

一种改进的LBG算法在声纹识别中的应用

提出一种改进的矢量量化VQ(Vector Quantization)算法,优化了现有的声纹识别技术,并已经得到了应用。对基于LBG(Linde Buzo Gray)算法中现有的倒谱参数MFCC(Mel-Frequency Ceptral Coefficients)在声纹识别中的提取以及声纹模型建立的相关改进,使得矢量量化局部最优的特点在新的声纹模型建立时得到更好的应用。在保证识别率的情况下减少了匹配次数,降低了运行时间。经过测试,语音的平均识别率达到了92%以上,实时识别率达到90%以上。实验结果表明,相对于LBG算法原型,改进的算法的识别精度和速度都有所提高,是一种有效的声纹自动识别的实现方法。

基于改进贪婪算法的测量节点选择优化方法

未来应用场景对名字解析系统有着确定性时延保障的需求,如何有效选择测量节点,为确定时延名字解析提供支撑是本文着力解决的问题。本文将网络测量节点部署问题映射成为最小点覆盖问题,并基于传统的贪婪算法提出一种面向网络测量节点选取的改进贪婪算法,从优化贪婪算法迭代周期和针对实际场景特点改进排序算法2个方面进行优化。实验结果表明,基于改进贪婪算法的求解方式比传统贪婪算法的求解方式,平均耗时减少了90%以上。

面向ICN的动态自适应流媒体算法

信息中心网络(information-centric networking,ICN)与传统IP网络的重要区别在于,前者的路由器节点具备缓存能力,能将热门内容推送到更靠近客户的网络边缘,从而降低客户获取内容的时延。然而ICN中的节点缓存特性会导致传统的自适应流媒体协议出现视频抖动甚至播放中断,降低客户的观看体验。提出了ICN中的动态自适应流媒体算法,在保证客户端播放流畅的同时,尽可能地提升视频片段的码率,提升客户的观看体验。通过在现有的ICN平台中进行仿真实验,证明了该自适应算法在性能上优于传统的算法。

基于MST的分布式分簇算法

为了使分簇后的网络更便于数据融合,对最小生成树(MST)的性质进行了研究,论证并实现了一种新的基于MST性质的分布式多层分簇算法。分簇过程中,节点各自独立运行该算法,利用生成的局部MST传递并融合连接信息以完成本层级的网络分簇。经过多次的连接信息间的融合,逐渐形成一个便于数据融合的多层分簇网络。实验分析表明,该算法具有收敛速度快、资源消耗低的优点。

一种基于协同缓存的内容中心网络能耗优化策略

当前大多内容中心网络(Content-Centric Network,CCN)缓存决策策略研究都没有综合考虑请求热点、网络能耗、内容流行度和节点协同等相关要素。因此提出一种基于内容流行度的协同缓存策略来优化内容中心网络的能耗。该策略将CCN的一个自治区域网络中的所有内容路由器节点当作一个协同缓存组,并把协同缓存组中每个节点的缓存容量分为两部分,一部分用于自身节点和其他节点协同缓存内容;另一部分用于自身节点独立缓存本地最流行的内容,以提高协同缓存组中内容副本种类的多样性,从而减少网络中内容的重复传输,实现网络能耗的优化。建立相关的能耗优化模型,采用一种改进的遗传算法求解出该协同缓存组能耗优化问题的最优解。实验结果表明,与相关文献中的缓存决策策略相比,所提策略可以有效地降低CCN的能耗,提高其可扩展性,进而指导CCN的演化和部署。

网络中心作战条件下炮兵指控系统动态重组算法

为构建一个能适应网络中心作战(Network Centric Warfare,NCW)环境的具有动态重组能力的指挥系统,分析网络化炮兵指控系统的特点,介绍指控系统动态重组的概念和实现的物质、技术基础,在此基础上对动态重组的主要算法进行描述,介绍应用层路由规划算法、拓扑关系发现算法、指控系统动态重组算法的相关步骤。结果表明,动态重组能力能保证作战指挥信息的畅通,提高全武器系统的战场生存能力,为新一代炮兵指控系统的发展提供理论基础。