现有优秀的基于深度学习的分布式视频压缩感知(Distributed Compressed Video Sensing,DCVS)重构算法利用测量值和参考帧顺序更新非关键帧,获得了较好的重构性能,但由于缺乏较严格的理论指导,无法充分结合这两类信息,限制了非关键帧重...现有优秀的基于深度学习的分布式视频压缩感知(Distributed Compressed Video Sensing,DCVS)重构算法利用测量值和参考帧顺序更新非关键帧,获得了较好的重构性能,但由于缺乏较严格的理论指导,无法充分结合这两类信息,限制了非关键帧重构质量的进一步提升.针对该问题,本文首先利用贝叶斯理论及最大后验概率(Maximum A Posteriori,MAP)估计推导出DCVS中非关键帧重构的优化方程,再基于近端梯度算法推导出优化方程的求解框架,包含多信息流梯度更新聚合方程.基于此,本文设计了多信息流梯度更新及聚合模块(Multi-Information flow Gradient update and Aggregation,MIGA),并构建了深度多信息流梯度更新与聚合网络(Deep Multi-Information flow Gradient update and Aggregation Network,DMIGAN)用于DCVS非关键帧重构.MIGA利用测量值与多参考帧对当前非关键帧进行并行梯度更新,再做信息交互融合,从而充分结合多种信息流更新重构帧.本文级联MIGA与去噪子网络用于模拟近端梯度算法的单次迭代,作为基础模块(phase),并通过级联多个phase构造深度重构网络DMIGAN,实现帧重构的深度优化过程.实验表明,DMIGAN与具代表性的传统迭代优化算法结构相似的帧间组稀疏表示重构算法(Structural SIMilarity based Inter-Frame Group Sparse Representation,SSIM-Inter F-GSR)相比,在低采样率与高采样率下性能分别提升了8.8 dB和7.36 dB;和具有代表性的深度学习重构算法VCSNet-2相比,在低采样率和高采样率下性能分别提升了7.09 dB和8.78 dB.展开更多
不同于陆地物联网应用,海洋物联网应用往往需要解决水面网络与水下网络之间的信息交互问题,合理的路由方案是解决上述问题的关键。因此,提出了一种基于位置信息和能量均衡的声电协同网络自组织按需距离向量路由协议(AR-AODV, ad hoc on-...不同于陆地物联网应用,海洋物联网应用往往需要解决水面网络与水下网络之间的信息交互问题,合理的路由方案是解决上述问题的关键。因此,提出了一种基于位置信息和能量均衡的声电协同网络自组织按需距离向量路由协议(AR-AODV, ad hoc on-demand distance vector for acoustic-radio integrated network),旨在引导信息流更多地通过水面无线电链路进行转发,从而减轻水下通信网的负担,提升网络的整体性能。在该协议中,浮标节点的转发优先级高于水下节点。当源节点需要发送数据时,它进入路由发现阶段,节点以自身的位置和能量信息作为启发式信息,用于计算转发概率并广播路由请求(RREQ, route request)报文进行寻路。当目的节点收到RREQ报文时,发送RREP报文进行信息素更新,依据信息素的大小选择最优的路径。与AODV相比,AR-AODV在传输成功率、传输时延、吞吐量、能量转化率、寻路包转发次数方面的性能有显著提升。展开更多
文摘现有优秀的基于深度学习的分布式视频压缩感知(Distributed Compressed Video Sensing,DCVS)重构算法利用测量值和参考帧顺序更新非关键帧,获得了较好的重构性能,但由于缺乏较严格的理论指导,无法充分结合这两类信息,限制了非关键帧重构质量的进一步提升.针对该问题,本文首先利用贝叶斯理论及最大后验概率(Maximum A Posteriori,MAP)估计推导出DCVS中非关键帧重构的优化方程,再基于近端梯度算法推导出优化方程的求解框架,包含多信息流梯度更新聚合方程.基于此,本文设计了多信息流梯度更新及聚合模块(Multi-Information flow Gradient update and Aggregation,MIGA),并构建了深度多信息流梯度更新与聚合网络(Deep Multi-Information flow Gradient update and Aggregation Network,DMIGAN)用于DCVS非关键帧重构.MIGA利用测量值与多参考帧对当前非关键帧进行并行梯度更新,再做信息交互融合,从而充分结合多种信息流更新重构帧.本文级联MIGA与去噪子网络用于模拟近端梯度算法的单次迭代,作为基础模块(phase),并通过级联多个phase构造深度重构网络DMIGAN,实现帧重构的深度优化过程.实验表明,DMIGAN与具代表性的传统迭代优化算法结构相似的帧间组稀疏表示重构算法(Structural SIMilarity based Inter-Frame Group Sparse Representation,SSIM-Inter F-GSR)相比,在低采样率与高采样率下性能分别提升了8.8 dB和7.36 dB;和具有代表性的深度学习重构算法VCSNet-2相比,在低采样率和高采样率下性能分别提升了7.09 dB和8.78 dB.
文摘不同于陆地物联网应用,海洋物联网应用往往需要解决水面网络与水下网络之间的信息交互问题,合理的路由方案是解决上述问题的关键。因此,提出了一种基于位置信息和能量均衡的声电协同网络自组织按需距离向量路由协议(AR-AODV, ad hoc on-demand distance vector for acoustic-radio integrated network),旨在引导信息流更多地通过水面无线电链路进行转发,从而减轻水下通信网的负担,提升网络的整体性能。在该协议中,浮标节点的转发优先级高于水下节点。当源节点需要发送数据时,它进入路由发现阶段,节点以自身的位置和能量信息作为启发式信息,用于计算转发概率并广播路由请求(RREQ, route request)报文进行寻路。当目的节点收到RREQ报文时,发送RREP报文进行信息素更新,依据信息素的大小选择最优的路径。与AODV相比,AR-AODV在传输成功率、传输时延、吞吐量、能量转化率、寻路包转发次数方面的性能有显著提升。