无线传感网络中基于虚拟力的节点动态覆盖算法

网络覆盖率和节点功耗是WSNs(Wireless Sensor Networks)中主要考虑的2个性能指标,尽管现有的许多覆盖方法对这2个指标做了相应的提升,但它们大多只针对一个性能进行改进,而对另一个性能的优劣未作详细的讨论。针对这种不足,提出了一种基于VFA(Virtual Force Algorithm)的改进算法,将WSN进行网格划分,节点对网格的作用力和其它作用力进行自适应选择;在所选合力作用下,传感器节点进行重新部署,进一步优化WSN的动态覆盖,使WSN达到较优的覆盖状态;同时,通过对合力门限值的修正,使动态节点的能耗尽可能较少。仿真结果表明,该算法不但能实现较大的网络覆盖和较少的节点功耗,而且还有收敛速度快,计算量小,冗余度低等优点。

异构超密度网络中联合资源划分和卸载分析

针对异构超密度网络中宏基站和小基站之间负载不均衡问题,提出了一种基于用户与最近基站间距离的通用卸载框架。通过划分网络频谱资源,并利用随机几何,在保证被卸载宏用户服务质量的基础上,进一步推导出处于固定区域以及处于随机区域用户的覆盖概率和平均遍历速率表达式。仿真结果表明,采用资源划分与卸载相结合的方法在有效缓解宏基站拥塞的同时也提高了用户的覆盖概率和平均遍历速率,进而为实际网络的部署提供了重要理论依据。

协作网络因子图中粒子形式的信息传递算法

和积算法结合因子图可以用分布式方式实现协作定位。和积算法是一种信息传递算法,然而在非线性、非高斯环境下用参数法实现信息传递误差较大,不能满足定位需要,提出一种算法用粒子形式来实现信息传递。因子图中的信息计算包括求和与求积两个过程。粒子形式的信息传递算法利用重要性采样得到求和信息,利用吉布斯采样得到求积信息。提出的算法能简化复杂的网络节点的联合后验概率。与基于参数的信息传递算法相比,粒子形式表示方法提高了在非线性、非高斯环境下的定位精度。

基于主成分分析和卡方距离的信号强度差指纹定位算法

由于不同型号移动终端获取的接收信号强度(RSS)存在明显差异,传统的基于RSS位置指纹库的室内定位算法定位稳定性和精度不高,而现有的采用信号强度差(SSD)替代RSS构建位置指纹库的解决方案存在高数据维度、相关性冗余过高和K-近邻(KNN)算法本身定位精度不高的问题。针对上述问题,提出了一种基于主成分分析(PCA)和卡方距离(CSD)的SSD指纹定位算法,使用PCA算法进行SSD数据降维和相关性冗余消除,并使用CSD度量降维后特征量间的相对距离进行位置匹配。仿真实验中,使用所提算法的SSD位置指纹库定位误差累积概率曲线高于原有RSS和SSD指纹库;相比传统的KNN算法和基于余弦相似度改进的KNN算法(COS-KNN),所提算法的平均定位误差、定位误差方差均有明显减小,时间开销稍有增加。实验结果表明,所提算法可以有效提升原有SSD指纹定位方法的定位稳定性和定位精度,能够满足室内定位的实时性需要。

动态节点定位过程中锚节点的自适应移动方案

移动传感器网络中节点的位置信息是至关重要的。现有的定位方法多是基于MCL(Monte Carlo Localization)进行改进,鲜有对锚节点路径优化的算法。锚节点的随机移动往往造成资源以及能量的浪费。针对这种不足,借鉴节点效益最大化准则对锚节点路径进行优化,实现其自适应移动;在自适应移动的基础上对算法进行改进,采用阈值代替遍历的方法减少了计算量和定位时间;针对自适应移动出现的锚节点聚集的情况,对锚节点进行分区置点,较大程度地对未知节点进行覆盖,提高了未知节点的定位数量。

基于概率模型的实时修正IMM目标跟踪算法

针对传统的IMM算法采用固定测量噪声协方差矩阵和Markov转移概率矩阵导致模型切换缓慢,跟踪精度下降的问题,提出了一种具有模型概率实时修正的IMM机动目标跟踪算法。该算法在监控区域上建立无线电指纹库,利用支持向量回归算法训练得到观测模型。引入模糊神经网络,在模型交互输出阶段自适应地调整测量误差协方差矩阵。根据IMM子模型中连续时间点之间的模型概率的比值,对Markov转移概率进行修正。仿真结果表明,提出的方法在实时性、跟踪精度方面具有良好的性能。

基于DASH标准的码率平滑切换算法

针对现有的基于超文本传输协议的动态自适应流(DASH)码率自适应算法在无线网络环境中码率切换频繁以及平均码率偏低的问题,提出一种基于DASH标准的码率平滑切换(RSS)算法。首先,算法的带宽检测机制利用滑动窗口对历史下载速率进行取样以计算带宽偏移系数,根据带宽偏移系数的大小初步判断带宽的波动情况,并对波动较大的情况进一步确定是否存在一致性变化趋势,从而区分出带宽的持续变化和短暂抖动,同时计算出相应情况下的带宽预测值;其次,算法的码率决策模型综合考虑带宽波动情况、缓存占用和变化情况及带宽预测值等,并且分别采取快速缓冲(FB)、缓慢切换(SS)、快速上升(FR)、约束下降(LD)、稳定保持(SH)策略和休眠机制对码率选择过程进行动态控制。实验结果表明,与基于模糊逻辑的码率自适应算法以及吞吐量调节驱动的码率自适应算法相比,该算法在播放开始时能够在最短时间内将视频码率提升到最佳水平,提高视频播放过程中的平均码率,在播放过程中带宽骤变和交替性频繁波动情况下都能够很好地维持视频码率的稳定,将切换次数降到最低,从而获得良好的无线端视频体验质量。

多分支融合局部特征的行人重识别算法

大部分结合深度学习的行人重识别算法主要以单分支的网络结构为主,且大多利用图片的全局特征信息,这样易错失关键行人信息,导致度量学习效果、算法精度下降。因此,为使网络获取到更多的关键行人信息,减少对行人局部、细节信息的错失,加强网络对行人特征的学习。基于ResNet-50的骨干网络,采取多分支的网络结构设计,综合考虑训练难易、运算量,选择融合三个独立分支的结构设计:随机擦除分支、全局学习分支、局部学习分支,并在此基础上根据实验数据进行调整优化,最后再结合最小二乘法分配损失函数权重使模型更具鲁棒性,实验结果表明,三个分支具有互补性,使用融合分支特征做算法测试时,相比基础的单分支、多分支网络,该算法使得行人重识别精度提升。

融合反距离加权和矩阵填充的位置指纹库构建

为解决位置指纹定位在离线阶段构建位置指纹库时耗费的人力和时间成本较大,构建指纹库效率低和利用空间插值法构建的指纹库精度不高的问题,提出了一种融合反距离加权和矩阵填充的位置指纹库构建算法。该算法仅需人工采集定位区域内少量参考点的接收信号强度值用作信标点指纹信息,结合反距离加权算法特性计算出次信标点指纹信息,根据位置指纹库数据矩阵的低秩性,应用奇异值阈值矩阵填充算法构建出位置指纹数据库。仿真实验结果表明,所提算法有效降低了矩阵填充算法构建位置指纹库所需的人工和时间成本,构建出的位置指纹库定位性能优于反距离加权和克里金空间插值法,接近传统人工采集法,显著地提高了位置指纹库的构建效率。