摘要：基于Wi-Fi无线信号的指纹定位技术是实现室内定位、追踪等物联网相关应用的重要手段之一。在用户向服务器请求定位服务的同时,如何保护用户的定位隐私和服务器的数据安全是其商业化应用中亟需解决的重要问题。针对目前通过加密算法进行隐私保护时,算法的实时性不足和定位精度不高的问题,设计了一种具有隐私保护的轻量级室内指纹定位算法。采用k匿名算法保护用户的请求隐私,Paillier同态加密算法保护用户的定位隐私和服务器的数据隐私;通过独特的指纹请求子集设计,改进方案进一步降低了定位中的计算开销和通信开销,并实现了定位精度的提升。理论分析和实验研究均表明,所提方案在实现隐私保护的同时,克服了现有同态加密巨大的计算开销问题,并提高了定位性能。

摘要：污水处理过程中,由于溶解氧和硝态氮浓度是时变且长滞后的,因此难以精准控制。为解决这一问题,提出基于径向基(radial basis function, RBF)神经网络的多变量解耦比例积分-广义预测控制(proportional integral-generalized predictive control, PI-GPC)算法。首先,基于RBF神经网络分别建立溶解氧浓度和硝态氮浓度非线性模型;然后,在此模型基础上,利用GPC的预测性和传统PI控制器的反馈性,优化溶解氧和硝态氮的浓度控制;最后,利用基准仿真模型No.1(benchmark simulation model No.1, BSM1)数据,通过神经网络辨识系统模型并设计控制器。结果表明,PI-GPC算法相较于传统GPC和PI控制算法,能够获得更快速和更稳定的控制效果。

摘要：Markov模型在位置预测领域有着广泛的应用,然而,动态Markov模型阶数难以确定.本文设计了一个在对用户地理轨迹和语义轨迹进行挖掘的过程中动态确定阶数的方法DMM+C,根据用户当前的轨迹序列和历史轨迹模式,结合轨迹前缀树(TPtree)以及相邻簇中用户信息,动态确定合适的阶数进行用户位置预测.该方法基于滑动时间窗口的PrefixSpan(STW-P)算法实现,通过挖掘最近一系列块中的移动模式以及用户位置访问频率不断更新用户的轨迹模式,捕捉用户移动序列模式随时间的变化规律,利用用户评论的概率分布提高位置预测精度.真实数据集上的实验证明了本方法的有效性.

摘要：黄斑在视网膜眼底图像中呈现为一个颜色暗淡的区域,且分割容易受到暗病灶干扰,因此提出一种可以快速准确分割黄斑位置的方法。首先,设计神经网络将深度学习的方法应用到黄斑分割中,并通过上采样过程恢复原始的尺寸;其次,受限于有限的数据集,将条件生成对抗网络(conditional generative adversarial nets,cGAN)引入到黄斑分割中,该方法可生成伪图像作为分割结果,并以一种可解释的方式对此结果进行训练来分割黄斑。实例验证结果表明,该方法可生成高质量图像,并能处理梯度消失的问题,有助于弥补数据样本不足的缺陷,在光照不均和暗病灶干扰的情况下,也能取得很好的分割效果。使用公共数据集MESSIDOR和Kaggle进行了训练和验证,分别得到了94%和99.32%的准确率。

摘要：在多处理器系统中已经证明了比例公平(proportion fair,Pfair)算法是调度周期任务最优的全局调度算法。然而在该算法的最坏执行情况下,任务在每个调度时刻均产生切换或迁移,导致系统开销过大。针对这一问题,对Pfair算法进行深入研究后发现,任务的分配过程是一个重要原因。基于此,提出基于启发式算法的模拟退火比例公平(simulated annealing-proportion fair,SA-Pfair)调度算法,即在Pfair算法做出调度决策后,用启发式算法将任务分配给处理器,以弥补原算法的不足。最后,采用LITMUS-RT平台对SA-Pfair算法和以此为基础设计的调度器进行仿真。结果表明,新算法在一定程度上减少了任务的切换次数以及50%以上的任务迁移总量,且能够有效地降低调度过程中的系统开销。

摘要：针对现有任务分配策略的不足,研究了在工人数量有限的移动群智感知系统中任务分配策略,借助社交网络来分配任务并获得高收益。首先,建立了社交网络的动态不确定环境,利用社交网络完成任务,传播任务。然后考虑到不同社交网络对任务的偏好不同,设置任务偏好度这一不确定指标,借助经济学风险价值的理论描述任务分配的可靠性。最后利用蒙特卡罗贝叶斯推理方法研究任务动态传播模型的复杂参数的高斯过程,设计基于知识梯度的采样算法选择蒙特卡罗采样点,从而实现高收益的任务分配方案。为了验证所提策略的性能,将其与四种基准的采样算法进行比较。实验结果表明,所提任务分配策略在提高收益方面是有效的。

摘要：眼底图像中的OD和OC分割精度不高,且没有充分考虑二者空间信息的问题,为实现联合分割OC/OD,更加准确地测量杯盘比,实现青光眼筛查,提出了一种端到端的基于区域的深度卷积神经网络(region-based deep convolutional neural network,R-DCNN)。首先,在主干网络Res Net34中引入密集原子卷积以提取更密集的特征图。然后,设计了DPN和CPN模块产生OD和OC的候选边界框。之后,考虑到OD和OC之间位置的关系,使用盘注意力模块连接DPN模块和CPN模块,在精确获得OD和OC边界后,计算CDR作为青光眼筛查的指标。最后,将所提出的网络在公开的DRISHIT-GS和RIM-ONE r3数据集进行训练测试。通过与目前主流的先进方法对比,验证了所提网络在OD和OC分割以及青光眼筛查方面的性能,具有广大的应用前景。

摘要：工业生产中含有时滞环节的高阶过程对象,由于控制器结构复杂,采用直接设计控制器和传统模型降阶的方法实现起来比较困难,同时噪声会对控制器产生干扰,可能导致这些方法得不到满意的结果。针对这一问题,提出了一种高阶加时滞模型的频域辨识方法,通过对控制回路中过程对象的输入和输出信号进行频谱分析和拉普拉斯变换,得出过程对象在重要频率段上的频率响应特性,采用最小二乘法从幅值和相位两方面拟合成一个一阶或二阶加纯滞后传递函数,最终获得对象模型。通过MATLAB仿真结果验证了所提方法的有效性和精确性。

摘要：现主流的混合关键级调度算法在系统高关键级状态下主要通过抛弃低关键级任务来保证高关键级任务的执行,进而保证系统的正确性。此方法常常导致低关键级任务无法执行但系统资源却过剩的问题发生,故基于该问题提出复合型SDU(schedule depend on utilization)调度算法。该方法根据任务集对系统资源需求情况的不同进行利用率区间的划分,通过对各个区间实际使用情况的分析,设计相应的子算法进行调度,并提出了SDU算法对应的可调度性判据。仿真实验结果表明,相较于混合关键级任务调度领域主流的EDF-VD(earliest deadline first-virtual deadline)算法,所提SDU算法可将系统对任务集的调度率提升30%,并在相同情况下将系统对低关键级任务的执行率提升165%,证明了该算法可以极大地提高系统资源使用率,并保证系统服务完整性。

摘要：近年来,深度强化学习作为一种无模型的资源分配方法被用于解决无线网络中的同信道干扰问题。然而,基于常规经验回放策略的网络难以学习到有价值的经验,导致收敛速度较慢;而人工划定探索步长的方式没有考虑算法在每个训练周期上的学习情况,使得对环境的探索存在盲目性,限制了系统频谱效率的提升。对此,提出一种频分多址系统的分布式强化学习功率控制方法,采用优先经验回放策略,鼓励智能体从环境中学习更重要的数据,以加速学习过程;并且设计了一种适用于分布式强化学习、动态调整步长的探索策略,使智能体得以根据自身学习情况探索本地环境,减少人为设定步长带来的盲目性。实验结果表明,相比于现有算法,所提方法加快了收敛速度,提高了移动场景下的同信道干扰抑制能力,在大型网络中具有更高的性能。