改进PSO结合DSA技术的无线传感器网络均衡密度聚类方法

针对无线传感器网络(Wireless Sensor Network,WSN)聚类过程中节点分布不均衡影响网络寿命的问题,提出一种改进粒子群(Improved Particle Swarm Optimization,IPSO)算法结合分布式空间分析(Distributed Space Analysis,DSA)技术的无线传感器网络均衡密度聚类方法。利用改进粒子群算法优化能量均衡分簇算法以促进网络能耗均衡分布,避免了网络热点问题并最大化传感器网络寿命;结合基于分布式空间分析的聚类技术,实现了整个无线传感器网络中集群构建的能耗均衡;对两种算法的优势进行深度融合,克服对初始聚类中心点选择等敏感问题的同时加快了聚类收敛速度,形成传感器节点位置的最优分簇。实验结果表明,该方法实现了对网络节点能耗均衡分簇的有效性,与其他的聚类技术相比功耗更低,因此网络寿命更长。

基于深度学习理论的光学分子成像图像重建方法

光学分子成像图像重建是当前的研究重点,由于传统光学分子成像图像重建方法存在重建误差,效果不理想等缺陷,为了获得理想的光学分子成像图像重建效果,提出了基于深度学习理论的光学分子成像图像重建方法。首先分析光学分子成像图像重建工作原理,找到导致光学分子成像图像重建质量差的因素,然后采集光学分子成像图像,选择卷积神经网络算法进行光学分子成像的图像重建。实验结果显示:采用本方法进行峰值信噪比(PSNR)范围为34.16~38.96,结构相似性(SSIM)范围为0.8549~0.9808,均远远大于常规方法数值,表明提出方法图像重建质量较高,充分证明提出方法性能较好。应用价值相似性指标更大,图像重建质量更高,则提出方法的图像重建性能更佳。