摘要：针对传统实物实验教学存在的局限性,基于嘉兴学院数理与信息工程学院的实验教学实际情况,从信息化过程管理、虚拟化实验平台和多样化资源建设三个方面,构建了开放式网络工程虚拟仿真实验教学平台,实现了开展大型综合设计性网络实验和网络安全类实验、揭示网络运行机理的内在逻辑、解决建设和维护成本高问题、全天候智能化开放共享的建设目标,介绍了该平台的系统架构及实现过程,在实验教学方面取得了良好成效。

摘要：目的海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。为此,在标准的SSD(single shot multi Box detector)目标检测模型基础上,结合Xception深度可分卷积,提出一种轻量SSD模型用于海面目标检测。方法在标准的SSD目标检测模型基础上,使用基于Xception网络的深度可分卷积特征提取网络替换VGG-16(Visual Geometry Group network-16)骨干网络,通过控制变量来对比不同网络的检测效果;在特征提取网络中的exit flow层和Conv1层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量SSD目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。结果为证明本文模型的有效性,进行了多组对比实验。实验结果表明,模型轻量化导致特征表达能力降低,从而影响检测精度。相对于标准的SSD目标检测模型,本文模型在参数量降低16.26%、浮点运算量降低15.65%的情况下,浮标的平均检测精度提高了1.1%,漏检率减小了3%,平均精度均值(mean average precision,mAP)提高了0.51%,同时,保证了船的平均检测精度,并保证其漏检率不升高,在对数据集中的小目标进行测试时,本文模型也表现出较好的检测效果。结论本文提出的海面小目标检测模型,能够在压缩模型的同时,保证模型的检测速度和检测精度,达到网络轻量化的效果,并且降低了小目标的漏检率,可以有效实现对海面小目标的检测。

摘要：针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。

摘要：Tile自组装模型凭借其纳米属性、自组装、可编程等特点,引起了科学界的广泛关注.然而随着Tile自组装模型的深入研究,可扩展性问题已成为其进一步发展的巨大障碍.为此,首先提出了一种最大团问题Tile自组装高效模型.该模型主要由TileDual子系统、初始配置子系统及检测子系统三大部分构成.其中TileDual子系统的设计中引入了启发式算法的设计思想,提出了TileDual分子对的概念.通过与已有基于穷举策略的研究成果对比发现:模型不仅具有Tile自组装模型的优点,而且将求解图G0最大团问题所需的解空间规模由2n0减少至1.712n^2n,求解成功率由0.5n0增加至0.5n^0.57n,其中n0为图G0中的顶点数,n为预处理后得到的图G的顶点数,且n0≤n.因此,所提出的模型在减少解空间规模的同时还可以提高生物并行计算解的精确性.

摘要：为了数字化传承与创新传统的蓝印花布纹样,需要将蓝印花布纹样进行分类。为此,提出一种改进的VGGNet卷积神经网络模型的纹样分类方法。首先,采集原始的蓝印花布图案,通过图像增强技术扩充样本,形成训练数据集。其次,改进经典的VGGNet 16卷积神经网络结构,增加卷积组及调整网络参数,增加丢弃层。同时,分析、验证训练优化策略对蓝印花布纹样分类的影响。最后,利用训练集及验证集中的图像样本,通过自动学习获取网络模型参数,得到纹样分类的最佳网络模型并获得较为理想的分类结果。实验结果显示,改进的卷积神经网络模型针对5类蓝印花布纹样进行分类训练,其平均分类准确率达89.73%,为蓝印花布纹样的继承和创新研究提供了新思路。

摘要：Tile自组装模型凭借其自组装、可编程等特性在解决NP问题方面具有巨大优势.文中提出了一种求解最大匹配问题的Tile自组装新模型,该模型主要由初始配置子系统、选择子系统及检测子系统3大部分构成.新模型中首先设计Tile分子存储问题信息,其次通过Tile分子自组装操作生成最大匹配问题解空间,最后通过Tile检测分子筛选得到最大匹配问题的解.对模型从所需Tile分子种类、计算时间和计算空间3个方面进行性能分析,并通过实验模拟论证了模型的有效性和正确性.

摘要：为更好地数字化传承与创新传统的蓝印花布纹样,并能单独提取构成纹样的图案基元并进行分类,提出一种基于卷积神经网络的纹样基元分类方法。首先,对采集的128张蓝印花布图像进行纹样基元提取,形成图像样本库,共21212张。其次,从库中随机选取80%的图像样本作为训练集,20%作为测试集,利用5×5卷积核对训练样本进行卷积操作,将得到的特征图进行池化。通过3层卷积、3层池化及2层全连接层计算后,利用Softmax分类器得到12种分类结果。最后,通过基元样本的学习获取最佳网络模型参数,并取得较理想的分类结果。结果表明:提出的卷积神经网络模型对12种纹样基元的平均分类准确率达99.61%,检测平均准确率达98.5%,为蓝印花布纹样的研究提供了新思路。

摘要：在认知光通信网络中,能量检测方法因不需要知晓主用户的参数而被广泛研究,但该方法在噪声波动情形下的感知性能有待提高。该文提出认知用户根据光通信环境变化自动调整检测阈值的方法来提升低信噪比下的感知性能。融合中心应用坐标搜索算示为认知用户提供最优控制参数。认知用户以中心阈值为基础,依据最优参数及自身收集的能量动态设定检测阈值,并通与融合中心的信息交换,学习特定环境下的最佳阈值。此外,参考了各认知用户在协作感知中的贡献差异,并设计新的权值计算方法来体现该差异。仿真实验结果表明该文中的频谱感知方法对噪声波动有卓越的鲁棒性,提高检测概率的同时降低了错误概率,在信噪比为-20dB时的检测概率仍高达96.9%,远高于传统方法。

摘要：节点位置保护对于海洋无线传感器网络(MWSNs)至关重要,尤其是对于无人值守的环境。然而,由于大多数静态部署,传感器的能量、存储和通信能力的限制,MWSNs容易受到各种位置(和衍生)攻击的影响。该文从攻击和防御两个方面研究节点位置隐私保护问题。首先,针对两种重要节点(包括基站和源节点)提出了一种新的二相定位攻击,它可以在少量的本地无线传输监视中找到基站节点,反向跟踪源节点的位置。与现有方法不同,提出的攻击根据传输方向确定节点位置,从而突破现有的防御。然后,为了抵御这种攻击,该文设计了一种基于Hilbert填充曲线的传感器网络路由节点位置隐私保护方法(HLPS)。攻防理论分析与对抗实验表明,该方法能够保护目标节点的位置隐私,具有较小的通信和计算开销。

摘要：针对蓝印花布的数字化传承与创新问题,提出一种基于轮廓线拟合的蓝印花布图案基元的提取方法,作为蓝印花布设计创新的素材基础。通过对获取的蓝印花布数字图像进行预处理,包括灰度化、去噪和二值化,得到能够反映图案基元特征的二值图像;采用轮廓跟踪法获取图案基元的初始轮廓,并对轮廓进行拟合优化获取理想的基元轮廓;最后提取出蓝印花布的图案基元,并生成可独立读取的图案基元子图。结果表明,利用基于面积及轮廓线像素的评价指标,提取的图案基元准确,轮廓光滑、完整,相对于其他几种轮廓提取方法,可获得更有效的图案基元轮廓以及执行效率。