摘要:不同于陆地物联网应用,海洋物联网应用往往需要解决水面网络与水下网络之间的信息交互问题,合理的路由方案是解决上述问题的关键。因此,提出了一种基于位置信息和能量均衡的声电协同网络自组织按需距离向量路由协议(AR-AODV, ad hoc on-demand distance vector for acoustic-radio integrated network),旨在引导信息流更多地通过水面无线电链路进行转发,从而减轻水下通信网的负担,提升网络的整体性能。在该协议中,浮标节点的转发优先级高于水下节点。当源节点需要发送数据时,它进入路由发现阶段,节点以自身的位置和能量信息作为启发式信息,用于计算转发概率并广播路由请求(RREQ, route request)报文进行寻路。当目的节点收到RREQ报文时,发送RREP报文进行信息素更新,依据信息素的大小选择最优的路径。与AODV相比,AR-AODV在传输成功率、传输时延、吞吐量、能量转化率、寻路包转发次数方面的性能有显著提升。
摘要:深度强化学习具有较强的决策能力和泛化能力,常被应用于软件定义网络(SDN, software defined network)的服务质量(QoS, quality of service)优化中。但传统深度强化学习算法存在收敛速度慢和不稳定等问题。提出一种基于深度强化学习的服务质量优化算法(AQSDRL, algorithm of quality of service optimization based on deep reinforcement learning),以解决SDN在数据中心网络(DCN, data center network)应用中的QoS问题。AQSDRL引入基于softmax估计的深层双确定性策略梯度(SD3, softmax deep double deterministic policy gradient)算法实现模型训练,并采用基于 SumTree 的优先级经验回放机制优化 SD3 算法,以更大的概率抽取具有更显著时序差分误差(TD-error, temporal-difference error)的样本来训练神经网络,有效提升算法的收敛速度和稳定性。实验结果表明,所提AQSDRL与现有的深度强化学习算法相比能够有效降低网络传输时延,且提高网络的负载均衡性能。
摘要:在认知物联网(CIoT, cognitive internet of things)中,由于主用户(PU, primary user)与次级用户(SU, secondary user)之间的非合作特性,单独依靠传统的频谱感知技术判断频谱接入机会存在一定的不可靠性。作为一种重要的辅助信息,PU与SU之间的相互位置信息可以协助判断授权频谱的二次接入可能性。提出了一种低复杂度的基于相邻关系的加权质心定位(NB-WCL, neighbor-based weighted centroid localization)算法,通过解决CIoT中 SU 的定位问题,从而完成 CIoT 中各个地理位置上是否能够进行频谱接入的决策。在理论层面分析了二维位置估计的均方根误差(RMSE, root mean square error)性能,通过仿真验证了通信半径、节点密集度、阴影影响、路径损失、连通性度量值以及发送数据次数等因素对于算法性能的影响。理论推导与实验结果表明,相对于传统的定位算法,所提方案为 CIoT 中的 SU 定位算法提供了更为强健和良好的定位误差性能,能够有效地增强认知物联网中用户频谱接入的可靠性。该方案可以作为认知物联网中的一种高效实用的定位感知方案。
摘要:基于运动想象的脑机接口系统一直是海内外研究学者的关注对象。针对传统运动想象脑电识别系统不能精准提取显著特征、分类识别准确率低等问题,提出一种新的基于自编码器(AE, auto-encoder)降维的 Transformer分类识别模型。该方法使用滤波器组共空间模式(FBCSP, filter bank common spatial pattern)对数据进行多个频段的特征提取,并利用AE获得降维后的特征矩阵。同时借助Transformer模型的位置编码考虑全局信号特征影响并利用多头自注意力机制考虑特征矩阵的内部关联性,提升系统分类识别效果。与传统的基于线性判别分析(LDA, linear discriminant analysis)的K-近邻(KNN, K-nearest neighbors)法分类识别系统进行对比,实验表明AE+Transformer模型的分类识别效果优于LDA+KNN系统,说明这种改进后的算法适用于运动想象的二分类。
摘要:针对基于无线携能通信(SWIPT, simultaneous wireless information and power transfer)和非正交多址接入(NOMA, non-orthogonal multiple access)的认知中继(CR, cognitive relay)(SWIPT-NOMA-CR)网络,考虑非理想顺序干扰消除(SIC, successive interference cancellation)和信道状态信息(CSI, channel state information)实际情况,研究系统在采用理想、时间开关(TS, time switching)和功率分割(PS, power splitting)3种中继传输方案时次用户的中断性能。推导出次用户中断概率的解析表达式,并通过蒙特卡洛仿真验证理论推导的正确性。实验结果表明,非理想SIC和CSI会导致次用户的中断性能下降,相对于非理想CSI,非理想SIC给系统中断性能带来的损失更大。此外,用户采用PS中继传输方案的中断概率比采用TS方案低,当改变非理想SIC和CSI因子时,采用PS方案用户的中断概率差值比TS方案小,说明PS中继传输方案的可靠性优于TS方案。