摘要：为提高物联网(IOT)应用中源节点位置距离基站较近时的隐私保护强度,提出基于不规则环的源位置隐私保护路由协议RBIR(routing based irregular ring)。设计一种创建不规则环的方法并分析环的最佳创建区域,结合中间节点实现数据包的转发。中间节点的选择受到约束,避免路径交叉;动态更新环节点,使环节点能耗分散,延长网络寿命。仿真结果表明,RBIR的网络寿命较长且安全性较好,当源节点距离基站较近时,有效保证了源位置的隐私。

摘要：针对当下主流的目标检测模型在资源受限的嵌入式设备上无法实时检测的问题,提出一种平衡检测精度和检测速度的目标检测模型。在SSD模型的基础上,用轻量化网络MobileNetV3作为主干网络,降低特征提取时的计算耗时;通过特征融合将主干网络中的高层和低层特征进行融合作为预测输出层,使该特征输出包含丰富的分类和定位信息;针对嵌入式设备浮点计算效率低的问题,采用感知量化方法将模型的权重转换为INT8类型。实验结果表明,在嵌入式设备上采用Udacity数据集评估SSDLite-tiny模型,其精度(mAP)和帧数(FPS)分别达到了18.1和75.08。

摘要：为了提升数控连杆机构式机器人的平衡特性,以一种数控连杆机构式机器人机构为研究对象,首先计算总质心坐标,采用倾覆力矩和惯性力作为机器人静态及动态平衡性评价指标;其次构建去除支链的传统机器人,将该机器人与数控连杆式机器人进行对比,对比结果表明,数控连杆机构式机器人的平均倾覆力矩比传统串联机器人减小了96.31%;在负载为10 kg的情况下,x方向和y方向的惯性力比传统机器人分别减少了20.76%、34.88%;为进一步提升机器人平衡性,以支链杆长为设计变量,总惯性力最小为目标函数,支链杆长之和为约束条件,运用遗传算法,求出其杆长最优解。优化结果表明,优化后的机器人总惯性力相比优化前减小21.67%,从而验证了杆件优化的有效性。

摘要：为解决现有传统环境声音识别技术识别率不高和普通卷积神经网络易出现网络退化的问题,提出一种基于滤波器组和残差网络的环境声音识别算法。采用滤波器组对声音信号进行特征提取,设计14层的残差网络,使用学习率衰减策略,将提取的特征输入到14层残差网络之中训练并测试。实验结果表明,在使用相同数据集ESC-10的情况下,与传统分类器模型和DCASE基线系统提供的识别方法相比,识别准确率分别提高了22.3%、17.4%和9.5%,验证了该方法在小样本情况下具有更高的识别准确率。

摘要：随着云资源集群规模的发展,应用的请求也随之增多,为对应用的资源请求做出及时响应,需要对应用的资源请求做出提前预测。对于云资源时间序列的预测问题,结合基于概率预测(probabilistic forecast)和改进的多层长短时记忆网络(LSTM)的云资源预测模型(PF-LSTM)进行研究。实验结果表明,与其它3种预测算法进行对比,PF-LSTM对于突发负载的预测效果要更好,且预测误差要更低。

摘要：在基于Rao-Blackwellized粒子滤波的移动机器人同时定位与地图构建(RBPF-SLAM)算法中,针对重采样过程导致粒子多样性降低问题,提出部分粒子免疫优化重采样方法。根据粒子权重将粒子划分为稳定粒子和不稳定粒子,对稳定粒子直接存入抗体记忆序列,对不稳定粒子通过计算抗原与抗体的亲和力与排斥力进行克隆变异操作,从中优选新粒子补充到抗体记忆序列,提高粒子多样性。实验结果表明,该算法能够有效提高机器人状态估计精度,保证算法实时性。

摘要：针对猫群算法(cat swarm optimization,CSO)中极易陷入局部极值和收敛的速度偏慢等问题,提出一种基于动态搜索的自适应猫群算法(adaptive cat swarm algorithm based on dynamic search,ADSCSO)。根据Logistic函数特点对分组率和惯性权重实行有范围的动态变化,提高算法收敛的速度;利用适应值的信息让变异率自适应变化,增加算法跳出局部解的几率。使用5个标准测试函数对CSO、仅加入动态搜索的猫群算法(cat swarm algorithm based on dynamic search,DSCSO)和ADSCSO进行比较测试,仿真数据表明,ADSCSO算法在收敛速度以及求解精度方面都具有一定程度的效果。

摘要：针对Top-k高效用项集挖掘算法在挖掘过程中忽略内存管理的问题,提出基于DBP的Top-k高效用项集挖掘算法TKBPH(Top-k buffer pool high utility itemsets mining),采用数据缓冲池(DBP)结构存储效用链表,并由索引链表记录效用链表在DBP的位置。数据缓冲池根据挖掘过程情况在数据缓冲池尾部动态插入和删除效用链表,通过索引链表直接读取效用链表避免项集搜索时频繁的比较操作,有效减少内存空间和运行时间消耗。不同类型数据集上的实验结果表明,TKBPH算法在挖掘过程中执行速度更快、内存消耗更少。

摘要：针对Ceph云存储的数据分布算法CRUSH存在数据在各存储节点上分布不均衡而影响读写QoS性能问题,提出一种基于强化学习的数据分布方法。从算法本身的数据分布过程分析得出PG在OSD间分布不够均衡是造成数据分布不均的原因;在此基础上建立强化学习模型,训练调整PG在分布过程中的OSD权重,使PG更加均衡分布到各个OSD节点,数据在各设备上分布得更加均衡。实验结果表明,该算法与原有CRUSH算法相比,能使数据在各存储设备上分布更加均衡,消除系统“热点”和瓶颈,提高云存储系统的QoS性能。

摘要：针对云环境下传统安全设备难以采集东西向流量且现有SDN方案采集效率低的问题,提出一种基于SDN的高效流量监控方案,通过控制器应用自适应的频率调节算法对东西向流量采样并检测分类,随后分级别地响应流表策略,放行可被识别的流量,完成对流量进行牵引至软件安全检测系统前的预处理,减小待牵引流量的规模。对比实验结果表明,所提方案能在不影响SDN控制器性能的前提下,降低安全控制信道的负载,能使安全检测系统保持较高的检测率。