密集小站网络下基于协作滤波的缓存内容决策和用户归属

为应对信息的爆炸式增长,在小站上部署缓存以缓解回程链路压力显得尤为重要.考虑到用户历史行为中蕴含大量个性化信息,采用基于用户的Top N协作滤波推荐系统预测用户未来请求以确定缓存内容,并提出一种最大化系统吞吐量的用户归属方案.通过放松约束条件,得到用户归属与其在小站间吞吐量之比的关系,提出一种低复杂度归属算法.仿真结果表明所提算法比已有算法在缓存命中率和系统吞吐量上均有明显增益.     

基于分层网络的中心化和去中心化编码缓存方案

针对包含服务器、中继以及用户的分层网络,研究如何利用缓存降低传输延迟的问题.通过结合传统缓存和网络编码技术,提出新型的中心化和去中心化编码缓存方案.其中,中心化的方案根据中继、用户的数量以及缓存大小,对文件布置和发送策略进行优化设计,在满足用户文件请求的同时,实现数据的高效传输;去中心化的方案以牺牲少量性能为代价,支持...     

分布式WebGIS中的Web缓存技术

用于响应WebGIS请求的数据量非常大,网站服务器的负载能力有限,请求过多会导致站点反应迟钝甚至拒绝服务.本文在介绍了Web Cache工作原理的基础上,提出了在分布式WebGIS中使用Web缓存技术将访问频率高的页面内容存放在Web缓存服务器上,在WebGIS中应用Web缓存技术,提高了数据的查询效率,加快了请求的响应速度,提高了为客户服务的质量.     

无线Mesh网络路由与信道分配综述

移动互联网已成为二十一世纪信息技术领域的研究热点.高性能移动终端的快速更新及先进的无线网络接入技术,不但繁荣了全球移动互联网服务广度,而且提升了全球移动互联网的服务水平,体现了“无处不在的网络,无所不能的业务”.由于无线Mesh网络与传统的网络技术相比有诸多优点,使之成为当前无线网络接入技术的研究主流.本文首先简介了无线Mesh网络结构、特点、安全性.然后从路由与信道分配方面对无线Mesh网络研究现状进行综述.最后总结了无线Mesh网络所面临的挑战及未来的发展方向.     

基于不确定相似性度量学习的三维模型草图检索

对于把手绘图像以及三维模型同时映射到一个联合特征嵌入空间和草图噪声给检索性能带来的影响,分析了跨模态匹配和草图噪声。将师生策略和数据不确定学习相结合,构建了一种基于不确定相似性度量学习的三维模型草图检索方法(uncertainty similarity metric learning, USML)。首先利用基于师生策略的三维形状语义相似度度量学习方法代替现有的跨域共享特征嵌入方法以提升检索的效率;然后,受数据不确定学习的启发,采用不确定学习来解决草图中噪声导致的严重过拟合并损害特征学习的问题。在大型公开基准数据集SHREC13和SHREC14上的实验结果验证了方法的有效性。结果表明,与深度点到子空间度量学习(depth point to subspace metric learning, DPSML)、深度相关度量学习(deep correlation metric learning, DCML)及深度相关整体度量学习(deep correlation holistic metric learning, DCHML)等未考虑噪声影响的算法相比,USML对基于抗噪草图的三维形状检索的效率...     

基于android的授权图片浏览系统的实现

授权图片浏览系统使用java框架技术构建服务端,android技术构建客户端。采用异步多线程下载图片、重用View对象、软引用及sd卡缓存等技术极大地降低了手机内存占用,提高了系统的稳定性。系统的实现满足了用户的需求。     

一种提升吞吐量与能量效率的LTE/WLAN两跳中继网络

LTE系统能够提供更高的数据速率,然而小区边缘用户由于受到严重的小区间干扰以及较大的路径损耗,其吞吐量比小区中心用户差.对于相同的发射功率,小区边缘用户较低的吞吐量导致整个系统的能量效率较低.针对LTE 3扇区场景,提出一种基于LTE/WLAN的两跳中继网络架构,用于提高小区边缘用户的吞吐量,以及LTE系统的能量效率. 理论分析和仿真结果表明,新型网络在用户吞吐量以及系统能量效率方面均有显著提升.     

基于双通道网络补偿的永磁同步电机预测控制器

为实现永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)的有效控制,利用PMSM的线性化模型,采用一种基于柔化控制增量策略的快速广义预测控制算法设计PMSM转速控制律.根据历史时刻的预测控制向量和预测输出向量设计一种双通道网络补偿算法,对前向通道和反馈通道中的网络时延和数据丢包进行补偿.针对因网络时延和数据丢包导致的辨识信息缺失问题,提出一种网络广义预测自校正算法来提高系统的鲁棒性.仿真结果表明,网络预测控制器能够对网络时延和数据丢包进行有效的补偿,极大地改善PMSM网络控制系统的性能.     

移动智能终端下3G网络低功耗延迟唤醒策略

突发性数据传输易导致3G网络工作模式从低功耗状态向高功耗状态迁移,状态切换加剧能耗开销.本文对移动终端网络通信行为进行分析,提出移动终端下3G网络低功耗延迟唤醒策略.该策略对网络数据进行延时敏感性划分,并据此进行不同时间的延时传输,延迟3G网络唤醒时间达到降耗目的.仿真实验表明,策略有效降低系统功耗,具有较强的可行性.     

讲究预测策略促进深度阅读 ——以三年级上册预测策略单元及其拓展阅读篇目为例

文章简析讲究"预测"策略,促进深度阅读教学的要义.或紧扣题眼,在初识预测中激发阅读兴趣;或巧妙关联,在走进预测中促进思想交流;或对比发现,在乐享预测中提升思维品质;或尝试续编,在实践预测中内化方法运用;或拓展延伸,在运用预测中走向广阔的阅读天地……如此,落实预测策略在深度阅读教学中的构建,进而促进学生深度学习,培育学生语文核心素养.     

基于AIS数据和LSTM网络的船舶航行动态预测

为进一步提高船舶航行动态预测的精度,提出将长短期记忆(long short-term memory,LSTM)网络应用到船舶航行动态预测。将船舶自动识别系统(automatic identification system,AIS)数据转化为航行动态时间序列数据用于LSTM网络的训练和测试。将预测结果与传统的航迹推算法、BP(back propagation)神经网络法等的预测结果进行对比,结果证明:基于LSTM网络的船舶航行动态预测模型具有精度高、鲁棒性强、通用性好等特点。预测结果可以为船舶交通管理中心(vessel traffic services,VTS)的监管提供参考,在预警船舶碰撞、搁浅等事故方面具有较高的实际应用价值。     

基于神经网络的集装箱码头泊位分配聚类分析

为充分利用港口既有的建设规模、提高经济效益,对集装箱码头的泊位分配进行研究.采用神经网络和聚类分析两种数据挖掘技术分析相关数据,得到相应的数据挖掘模型.先通过反向传播(Back Propagation,BP)神经网络分析各因素对泊位分配的影响程度,确定出主要因素;然后通过聚类分析中的两步聚类算法进行分析;最终制定集装箱码头泊位分配策略.该方法可为提高集装箱码头生产效率提供帮助.     

船舶市场趋势预测的三阶段模型

为提高船舶市场趋势预测的精度,针对以往在神经网络应用时仅单纯改进隐层环节算法的局限性,综合模糊聚类方法、数据修正和插值算法,对输入环节的数据进行降维和增量处理,构建船舶市场趋势预测的三阶段模型.首先,利用模糊聚类方法对历史数据进行分类,降低数据非线性;然后,通过数据修正和插值算法,在不改变数据规律的情况下增加每类数据的数据量;最后,利用处理完毕的数据训练神经网络.实例结果证明,三阶段模型在船舶市场趋势预测方面是有效的.     

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。     

船舶交通流量预测的灰色神经网络模型

为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.     

基于回归深度卷积网络的船舶图像与视频检测

为解决船舶图像与视频检测算法识别率低、实时性差的问题,提出基于回归深度卷积网络的船舶图像与视频检测方法。结合YOLOv2特征提取层和YOLOv3的特征金字塔网络(feature pyramid network, FPN)层思想设计新的网络结构,验证不同激活函数效果,采用聚类算法设计锚框大小。实验表明,相比于YOLO系列网络,本文的方法在船舶图像与视频检测中效果更好,在测试集上平均精度均值为0.920 9,召回率为0.981 8,平均交并比为0.799 1,在视频检测中每秒钟检测的帧数为78～80。为港口船舶智能管理和无人船视觉处理提供一种准确度高和实时性好的船舶检测方法。     

一种LSTM神经网络和卡尔曼滤波相结合的复合材料承载预测方法

复合材料是基于多种材料组分的不同组合方式经由相应工艺加工而成的新型材料,近年来凭借其优良的综合性能被广泛应用于交通、建筑等领域,其试验分析结果有时候与经验分析存在较大误差,从而建立可信的分析方法对复合材料承载性能进行验证具有十分重要的理论意义。基于长短期记忆（long short term memory,LSTM）深度学习网络模型的预测精度受数据序列长度影响,提出一种LSTM神经网络和Kalman滤波相结合的复合材料承载预测方法,既可以克服训练数据序列长度对传统LSTM神经网络的影响,又使得Kalman滤波可以从输入数据中学习。仿真结果表明,该方法可以获得优良的预测性能：LSTM-KF模型的承载预测误差将LSTM模型的预测误差从0.033 0 kN减小到0.016 0 kN,降幅为51.52%。     

多维时间序列的组合预测模型

由于时间序列在各领域的广泛应用,时间序列预测已经引起越来越多的关注,但关于多维时间序列的预测关注较少.然而,多维时间序列蕴含着丰富的信息.针对该问题,提出基于k近邻（k-nearest neighbor,k-NN）和BP神经网络的多维时间序列组合预测模型.首先分别采用k-NN和BP神经网络进行预测,得到对应的预测结果.然后使用BP神经网络进行非线性组合,得到最终的预测结果.实验表明,该预测模型优于k-NN和BP神经网络预测模型.     

DELTA势阱改进QPSO优化BP算法及其应用

为了改进BP算法预测性能,提出QPSO-BP模型.该模型采用DELTA势阱改进的量子粒子群(QPSO)算法优化BP网络的权值与阈值,然后利用各年的GDP数据进行训练和预测.结果表明:经过DELTA势阱改进的QPSO优化BP算法模型比PSO-BP模型和BP神经网络更稳定,预测精度更高且泛化能力更强.与文献中所用模型的运算结果相比较,这种改进模型运算结果的相对误差和平均误差更小,在准确性上也有一定的优势.