撒布预知下GA对动态WSN寿命稳定性分析

在静态Wireless Sensor Networks(WSN)寿命预知算法基础上,进一步研究动态WSN寿命的预知算法,从结构上提出寿命预知的映射图,给出了只与最佳邻居数选择相关的映射函数,得出WSN随机撒布分布寿命预知的算法,并从节能的角度用遗传算法(GA,Genetic Algorithm),对动态网络频繁更新所导致的寿命减少问题进行了优化,提出了解决动态WSN的普适节能算法。仿真证实了上述问题的有效性。

撒布预知下节能算子对Sensor Networks寿命的分析

Sensor Networks是ADHOC的一个重要方面的应用,其特点是节点分布广、随机性强、密度可预测。在可预知的分布中,成功预测了Sensor Networks的寿命,并给出了适合抛撒分布下Sensor Networks的寿命公式与相应的HASH图,以及计算Sensor Networks寿命的具体步骤与方法。

撒布预知下遗传算法对动态WAN寿命稳定性分析

在静态Wireless Sensor Networks(WSN)寿命预知算法基础上,进一步的研究动态WSN寿命的预知算法,从结构上提出寿命预知的映射图,给出了只与最佳邻居数选择相关的映射函数,得出WSN随机撒布分布寿命预知的算法,并从节能的角度用遗传算法对动态网络频繁更新所导致的寿命减少问题进行了优化,提出了解决动态WSN的普适节能算法。仿真证实了上述问题的有效性。

一种健壮的超像素跟踪算法

在目标跟踪中,传统的超像素跟踪算法在发生遮挡等情况后,会将非目标超像素标记为目标加入到特征空间.在对候选样本置信度计算中,利用特征空间中最近邻超像素来划定样本中超像素的簇归属会产生错误;而依据的近邻超像素数量过多时,又会造成分类误差的积累.为解决上述问题,本文提出一种健壮的超像素跟踪算法.本算法以贝叶斯算法为框架,首先,将前几帧进行超像素切割,提取特征并使用均值漂移聚类算法和基于超像素的外观表示模型进行分类和计算类置信度,放入特征空间中.其次,根据接下来几帧的平均中心误差确定最佳近邻数目.最后,在跟踪过程中,对获取帧的指定区域进行超像素切割,提取特征、进行软分类和计算置信度;根据上一帧目标位置进行高斯采样,累加样本内超像素置信度,获得样本置信度;在发生严重遮挡时,不进行滑动窗口更新和外观模型修改,使用当前模型继续跟踪.与传统的最近邻超像素算法相比,本算法能够有效提升跟踪成功率和降低平均中心误差.