摘要：AODV路由协议是无线自组织网络中的经典协议,被广泛应用于各种通讯场景中。传统的AODV路由协议在路由发现阶段使用广播方法转发RREQ(路由请求分组),容易造成广播风暴从而影响网络性能。针对该问题,研究提出了基于改进K-means的AODV路由协议,使用节点间距离、传输错误数和路由拥塞度作为路由度量,利用密集度参数改进初始聚类中心的选择,设计AODV-K路由协议选择最佳转发节点以减少不必要的路由请求分组转发,提高了路由请求分组的转发效率并减少了路由拥塞。运用NS-3对协议进行仿真,仿真结果表明所提出的改进路由协议,在高网络负载和网络密度下,对比原AODV路由协议,在平均端到端延迟方面分别降低了26.1%和25.6%。当节点数在30、40、50时,在分组投递率方面平均提升13.7%,当每秒发送分组数据包数大于30时,分组投递率平均提高了11.3%。

摘要：轨迹跟踪是移动机器人控制技术的重要领域之一,拥有广阔的发展前景,而高度非线性的动态特性是控制器设计的主要障碍。提出了一种基于长短期记忆网络(LSTM)和准滑动模态的滑模控制(SMC)方法。给出履带车的运动学模型和动力学模型,并基于动力学模型建立滑模控制系统。设计基于深度学习方法的LSTM网络来对未知干扰项进行控制补偿,降低外部干扰的影响,通过结合LSTM网络和准滑动模态的优势,减弱震颤现象。并给出控制系统的稳定性分析。在不同轨迹上进行长短期记忆网络MATLAB/Simulink仿真实验,并与现有方法进行了比较,证明了其优越性。

摘要：旨在针对生猪养殖过程中,混合生猪音频特征难以提取及识别的问题,提出一种基于稀疏化理论的欠定生猪盲源信号分离方法。本研究选取4个月、150 kg左右,健康状况良好的长白母猪,将其不同状态下的叫声按照不同系数混合得到的音频信号作为观测信号,运用短时傅里叶变换(short-time Fourier transform,STFT)对音频信号做时频域转换,通过分组筛选出信号中的单源点,使用自适应阻尼系数的AP(affinity propagation)算法结合奇异值分解,将单源点聚类以估计混合矩阵,采用优化最小lp范数的方法完成音频信号的重构。设计2组试验,1组阐述试验的一般过程,另1组通过对比分析整个分离算法的性能,使用相似系数(similarity coefficient)、信噪比(signal to noise ratio,SNR)和均方误差(mean square error,MSE)衡量分离音频质量。结果表明:1)3个源信号与2个观测信号的欠定生猪盲源分离中,不同时长下分离出的音频信号与对应源信号的相似系数、信噪比和均方误差分别在0.67~0.92、7.9~9.7 dB和0.005~0.08之间,从波形上看,算法的分离性能与时间长短和试验次数无关,结果具有一定的稳定性。2)在源信号数与观测信号数分别为3和2、4和2、4和3、5和2、5和3、5和4时,重构信号与源信号的平均相似系数、信噪比和均方误差分别在0.785~0.957、7.468~10.347 dB和0.019~0.092之间,经过对比分析,本研究方法具有一定的可靠性。3)在源信号数一定时,观测信号数越多,测得的指标越好,分离出来的音频质量越优。综上所述,该方法能够较为有效地分离出混合猪声信号的各源信号分量,为实际环境中混合生猪音频的特征提取奠定了基础。