摘要：针对信道状态时变性以及无线设备电量有限性的影响,从跨层设计的角度出发,联合物理层发送功率和信道状态条件以及链路层的缓冲队列拥塞控制来寻找最优传输策略,并提出一种启发式评估后决策算法(HE-PDS)进行求解。仿真分析表明该算法在动态无线环境下能以较快的速度收敛于最优传输策略,对于不同的延时和吞吐量限制,该算法的性能要明显优于传统的Q学习算法和后决策状态学习算法。

摘要：颜色传递在图像处理领域一直备受关注,传统的颜色传递方法往往存在细节保持能力不足、层次感欠缺和视觉效果不佳等问题。针对上述问题,本文提出了一种结合图像签名和最优传输的局部颜色传递新方法。首先,引入基于图像签名的显著区域检测方法,得到参考图像和内容图像的前景区域和背景区域,然后在对应区域进行颜色传递以提高结果图像的层次感。其次,在传统线性颜色传递模型的基础上,结合最优传输理论提出了一种保持内容图像亮度的颜色传递策略,以较好地提升结果图像的质量。最后,为了更好地评估颜色传递效果,结合色度差和结构相似度设计了一种新的颜色传递客观评价指标。实验结果表明,相比于传统的颜色传递方法,文中所提方法得到的结果图像能够较好地保持内容图像的细节信息和层次感,并且具有更佳的视觉效果(新方法综合效果较传统方法提升了约30%)。另外,相对于传统的颜色传递评价指标而言,文中所提客观评价指标更加忠实于用户的主观评价结果。实验分析表明,与传统颜色传递方法相比,文中所提方法得到的结果图像在细节保持、层次感保持以及视觉效果上均有更佳表现,而且文中所提客观评价指标更为贴近主观评价结果。

摘要：为了降低网格在参数化过程中产生的扭曲,提出一种基于曲率传输求解网格奇点个数和位置的方法.首先,通过求解Yamabe方程获得网格顶点的共形缩放因子,利用共形缩放因子的持续性确定第1部分的奇点,并计算基于该奇点集合的参数化扭曲;然后,根据参数化扭曲确定第2部分的奇点,并优化奇点的位置;最后,顶点曲率集中到奇点上计算出最优传输代价,通过不断地更新奇点位置,使上述最优传输代价达到最小,得到最终奇点分布.经过计算大量的网格,实验结果表明,与其他曲率方法以及近几年的方法相比,利用该方法确定的奇点可以有效地降低网格参数化带来的扭曲.

摘要：针对频谱共享中信道状态建模为完全知识马尔科夫时,应用受限的问题,提出了不同信道下基于信道感知的在线学习。根据授权用户是否存在于当前信道来选择激进发送或保守发送,由于保守发送时,信道状态是不可观测的,因此将信道模型建模为部分可观测马尔科夫决策过程。将信道未知情况下的最优传输策略建模为多臂赌博机模型。仿真结果表明,在信道不完全可知情况下的多臂赌博机在线学习算法能获得最优K步策略,并通过UCB-TUNED方法改善了最优传输的K步保守策略的收敛性。

摘要：为解决血细胞涂片染色多样性造成卷积神经网络在细胞形态识别时准确率较低的问题,提出了一种新的细胞形态分类算法。通过最优传输算法预训练颜色均衡网络与图像分类网络,保存网络权重,将二者网络结构级联,使用冻结层方法搭载网络参数并进行精细调节。实验结果表明,传统迁移方法的平均识别准确率为92.05%,而该文提出的颜色均衡分类网络U-RNET的平均识别准确率达到95.5%且图像处理速度更快。