复杂网络影响力极大化快速评估算法

分析复杂网络中影响力极大化问题,设计一种新的启发式算法框架。针对信息传递中节点的交互方式进行分析,给出节点在任意时刻处于信息接收态的概率。通过期望计算得到种子节点集传播影响力的近似估计,实现集群影响力快速计算,进而得到基于序列采样的影响力极大化快速评估算法。特别地,对于六个来自不同领域的真实网络上的影响力极大化问题进行了研究,仿真结果表明：该方法能够高效识别网络中具有重要传播影响力的节点集,在三种常见度量准则下的表现均明显优于三种影响力极大化问题基准算法。     

基于6LoWPAN与MQTT的无线传感网络设计

针对目前6LoWPAN无线传感网络设计与应用存在的可扩展性较差、与IPv4环境不兼容等问题,设计并实现了基于6LoWPAN与消息队列遥控传输(Message Queuing Telemetry Transport, MQTT)的无线传感网络。其中,无线传感网络节点作为MQTT客户端与MQTT服务器通信,边界路由器通过NAT64(Network Address Translation IPv6 to IPv4)实现无线传感网络节点与IPv4网络的通信。将所设计的无线传感网络应用到智能家居场景,评估了无线传感网络和边界路由器的性能,测试了系统功能的实现。结果表明,无线传感网络具有良好的连通性和稳定性,无线传感节点的数据上传与指令接收稳定可靠,边界路由器工作稳定,系统具有较好的性能。     

图像超分辨率卷积神经网络加速算法

为了实现模型的实时和嵌入式运行,提出了一种轻量级的卷积神经网络结构。通过采用较小的滤波器尺寸和引入深度可分离卷积,可大量减少模型参数,提高模型非线性表达能力;在网络末端引入子像素卷积层,直接从原始低分辨率图像学习到高分辨率图像的映射,计算成本为原来的1/k²(k为放大因子)。在Set5数据集上的实验表明,所提模型的速度较经典的图像超分辨率重建算法速度提高了25.8倍,能够在通用GPU上实时运行,峰值信噪比平均提高了0.17 dB,并且参数只有它的35%。     

弹(箭)体级间连接结构准静载失效实验与数值预示

级间螺栓法兰连接是导弹(火箭)常见的连接方式,但破坏了整体结构连续性,且承载能力薄弱,在外荷载作用下易发生失效而使整弹(箭)结构强度丧失。根据实际导弹(火箭)连接结构特点,简化设计并制作了一组原理性实验件,设计了准静载加载实验测试系统和螺栓响应信号传感器,进行了两次准静载失效实验,并利用ABAQUS软件建立了对应的有限元仿真模型。根据实验效果和实测数据,分析了连接结构在准静载荷载作用下的失效机理,并对比验证发现有限元模型数值模拟效果和精度与实验吻合较好。研究结论可为弹(箭)体级间连接结构承载能力和失效实验设计提供参考。     

基于新型非易失内存的远程零拷贝文件系统

为提升物联网与边缘计算应用中前端节点间的数据访问效率,提出了一种新型远程零拷贝文件系统。该文件系统无须借助特殊硬件,可直接基于通用网卡设备实现零拷贝的数据传输框架;充分利用新型非易失内存的随机访问特性,尽可能减少数据缓存和拷贝,提高数据访问的吞吐量。建立缓冲区池,精简并融合传统网络栈和存储栈,从而缩短文件访问路径,减少软件冗余,降低数据访问延迟。最终提供高带宽、低延迟的远程数据访问性能。测试结果表明,远程零拷贝文件系统比传统网络文件系统减少了42.26%～99.19%的读写延迟,细粒度访问下的吞吐量最高可提升1297倍,显著降低了处理器开销和缓存失效次数。     

新型多相结构MWC宽带数字接收机设计

提出一种基于多相调制宽带转换器结构的新型压缩采样数字接收机,可对宽带中频信号进行截获。新型接收机结构包括:串并转换、并行相乘、多相滤波三个模块。在用相同乘法器资源的条件下,新型接收机结构的整体数据速率远低于现有的调制宽带转换器结构,并且通过仿真验证了其正确性。该新型结构为调制宽带转换器离散压缩采样数字接收机在现场可编程门阵列上的物理实现奠定了基础,使整个接收机结构更具有实际工程应用价值。     

混合不确定条件下航空不安全事件量化分析方法

为解决不确定条件下航空不安全事件量化分析的难题,基于随机和模糊理论对影响飞行安全的主客观变量进行了混合不确定描述,将难以用概率表示的主观变量处理成为隶属度λ水平截集上服从均匀分布的随机变量。在此基础上,提出了混合不确定条件下航空安全指标和数值计算方法,所提指标和方法能够简洁、直观、准确地反映航空安全水平。通过航空安全领域普遍采用的Bow-tie模型对轮胎爆破事件安全性指标和隶属度关系进行仿真分析。结果表明:将不确定变量控制在一定隶属度水平,能显著提高航空安全指标。     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。     

基于多通道卷积神经网络的磁性舰船目标运动参数估计

传统磁性目标运动估计效果依赖于目标的初始状态信息,为克服这一缺陷,建立磁性运动目标三分量投影模型,并据此生成磁性舰船运动目标在运动速度、航向、信噪比等参数变化情况下的10类目标的训练数据集、验证数据集以及测试数据集。设计多通道卷积神经网络,对目标的正横距离和运动速度进行估计,并比较和分析了不同的学习方式和激活函数对网络性能的影响。结果表明:Adam+tanh组合方式的估计性能要优于其他组合方式,而且对磁性目标运动参数的估计效果比较精确,此方法相较于卡尔曼滤波、粒子滤波等估计算法的优越性在于运算复杂度低以及参数估计不需要目标初始状态信息。     

基于强化学习的移动自组织网络分步路由算法*

移动自组织网络是一种无基础设施、由移动通信节点组成的无线网络,具有高度的动态特性。传统的路由协议并不能适应节点移动性带来的频繁拓扑变化,简单的洪泛路由也会因开销过大降低网络的性能。针对如何在移动自组织网络中自适应地进行路由选择,提出了一种基于强化学习的分步路由选择算法。该算法以最小链路总往返时延为目标,基于强化学习进行路由搜寻,在筛选出符合目标需求节点集合的基础上,结合置信度选择路由。在链路变得不可靠时,数据包被广播给筛选出的邻居节点集来提升路由可靠性并降低开销。对提出的算法在分组到达率和路由开销等主要性能指标进行数值仿真分析,仿真结果表明,提出的分步路由算法相比于基于强化学习的智能鲁棒路由,在降低开销的同时,保持着相当的吞吐率。