一动态频谱网络的路由算法国内外发展现状：
1 针对小规模动态网络的路由协议
目前，MANET WG已经公布了一系列的有关基于动态路由的草案，如动态源路由算法(DSR)、基于反向路径转发的拓扑分发协议(TBRPF)、优化链路状态路由算法(OLSR)、按需距离矢量路由算法(AODV)、临时按序路由算法(TORA)、区域路由算法(ZRP)；此外，研究还提出了许多可应用于Ad hoc网络的路由协议，如目的序列距离矢量路由算法(DSDV)、无线路由协议(WRP)、陆标路由协议(LANMAR)、位置辅助路由(LAR)、鱼眼状态路由算法(FSR)。
这些路由协议根据所采用的基本路由机制的不同，可分为基于链路状态的路由协议、基于距离矢量的路由协议、源路由协议及反向链路协议；按照网络逻辑结构的不同，可分为平面结构的路由协议和分层结构的路由协议；按照路由发现策略的不同，可分为表驱动路由协议、按需路由协议以及混合路由协议。
2 大规模动态网络选路算法的进展
对于中小规模(通常为几十个节点)动态网络路由协议的研究已取得了重要
进展，而大规模动态网络的路由技术是该类网络研究的一个难点，它是指可以支持数百到数千个网络节点的路由算法。国际上早期的一些初步研究结果，如Santivanez等人提出的基于链路状态法的模糊链路状态(FSLS)算法，研究了节点数为100～400时的部分性能；Woo和Singh提出了一个基于位置修正的SLURP算法，研究了节点数为50~1000时的算法性能；Jinying Li等提出了基于区域的网格(Grid)系统，研究了100~600个节点时的算法性能；Rahul Jain等人提出了基于地理位置的路由算法，研究10~1000个节点的算法性能。
现有的路由协议或者利用全网泛洪(Global flooding)或者利用分层的方法完成路由的发现。但是，前者由于开销太大并不适合大规模的网络；后者在分层的过程中需要交互大量信息，而且可能由于节点的移动和可用频谱资源发生变化造成性能的急剧恶化。为了克服这些缺陷Nitin Nahata等人提出了一种基于连接(Contact)点的适用于大规模动态网络的高效的路由发现策略。它基于“小世界(Small world)”的概念，采用了一种混合的方式：在节点的R跳(通常是3～5跳)范围内采用先验式的路由算法，如DSDV，而在R跳以外通过Contact点进行反应式的路由发现。Contact点是一些捷径点，它通过减小分割度来把网络划分成为一些“小世界”。
3 基于协同通信的路由协议
Beres E, Xie Fang, Khandani A等人在各自的论文中提出利用节点间的相互
协作进行数据通信。它充分利用了无线电波的全向传播特性，使无线网络中的节点相互协作形成了虚拟的天线阵列来获得传统多输入多输出天线技术的空间分
集增益，当前协同通信的主要方式有：编码协同，放大中继，解码中继等方式。相对于其他协同方式，编码协同方式将协同通信技术和信道编码技术相结合，在不消耗更多系统资源(带宽等)的前提下获得完全的分集增益。
目前，基于协同技术的路由可大致分为两类，分别是基于能量的路由策略和基于带宽的路由策略。基于能量的路由策略主要针对单个源和目的节点的应用环境，在保证源节点发射信号在接收节点处能达到接收信噪比门限的基础上，通
过为协同节点最优化地分配功率，从而达到降低网络总能量开销的目的。基于带宽的路由策略主要是通过引入协同通信技术，以最大化源节点到目的节点间路径的带宽为目标完成路由决策。协同技术在该种路由机制中主要有两种应用方式。一种是在选择好一条源到目的节点路由的基础上，通过在每一跳节点间根据对带宽的改善程度有选择地进行协同，达到提升路由传输能力的目的。这种方式可称为基于协同的路由。另一种方式是在路由选择的同时就考虑到协同技术对每跳传输带宽的影响，从而决定每跳传输是否采用协同通信技术，并选择该情况下带宽最大的路由进行数据传输。该方式称为动态协同路由。
二现有动态网络路由协议的介绍和特点分析
几种类型的路由协议
1 先验式(proactive)和反应式( reactive)
2 平面型(flat)和层次型(hierarchical)
3 单路径型( single path )和多路径型(multipath)
4 GPS 辅助型(GPS Assisted)和非GPS辅助(Non GPS Assisted)型路由协议
先验式路由协议
网络中的主机通过周期性的交互路由信息得到所有其它主机的路由,而不管需不需要该路由进行通信。
1 DSDV(Highly Dynamic Destination Sequenced Distance Vector Routing)
DSDV 是先验式距离向量路由协议,基于经典的Bellman-Ford 路由机制,其所做的主要改进是在路由表项中包含了由目的节点指定的序列号,以区分新旧路由,并避免路由循环。其路由更新既是时间驱动的(周期性更新,可让新加入的节点及时了解网络拓扑),又是事件驱动的(可及时反应拓扑变化)。在具体环境下,需要在及时性和减少开销之间取得平衡,尤其是在不可靠环境,拓扑频繁变化的网络中,可考虑只依靠周期性更新。
将更新信息分为两类:“完整”信息,包含路由表中所有信息;“增量”信息,只包含自上一次广播“完整”信息之后的更新内容。
DSDV 不适应快速变化的自组网,不支持单向
信道。
2 WRP(The Wireless Routing Protocol)
WRP(the wireless routing protocol)也是先验式距离向量路由协议。WRP 是在路径发现算法PFA基础上改进设计的,以减少出现环路的次数。WRP的改进之处在于当节点i 监视到与邻居节点j 的链路发生变化时,i 会检测所有邻居节点关于倒数第二跳节点信息的一致性,而PFA 只检察节点j 关于倒数第二跳节点信息的一致性。
在WPR 中,每一个节点需要维护4个表: 距离表、路由表、链路代价表、消息中继列表(MRL )。移动节点使用更新消息通知每一条链路的变化,更新消息仅在邻节点间传递。节点通过接收应答和其它消息来感知其邻节点的存在。如果一个节点没有更新消息需要发送,它必须定期发送消息以声明其存在。
3 FSR(fisheye state routing)
FSR 是先验式链路状态(LS)路由协议,其目的是通过鱼眼(fisheye)效应对于较近的节点用较短间隔交换链路状态信息,对于较远的节点用较长的间隔交换状态信息),以减少路由信息流量。
4 FSLS(Fuzzy Sighted Link State)
FSLS 和FSR 相似, 使用了一种叫HSLS(HazySighted Link State)的最优化算法。即每2k* T 时间向2k 范围的节点发送一个链路状态信息。K表示跳数,T表示链路状态更新的最小时间间隔。
5 OLSR(optimized link state routing)
OLSR 是一种优化的LS 协议,这个协议的一个关键概念是多点中继站(MPR),仅由被选举为MPR的节点产生LS信息和转播控制信息,而且MPR只需要维护MPR和以自己做为MPR 的节点(MPR SELECTOR)之间的LS 更新。
OLSR 适用于密集型网络,对于稀疏型网络,每个邻节点都成了MPR ,则OLSR 就变成了纯LS。
6 TBRPF(Topology Broadcast on Reverse Path Forwarding)
TBRPF 也是一种LS 协议。它包括两个模块:邻节点发现模块,路由模块。每个节点通过拓扑表中的部分拓扑信息计算出一个源树(RT),提供了到所有可达节点的最短路径。每个节点只向其邻节点通告部分源树,以减少开销。也可有选择的通告完整拓扑,以提高快速移动网络的健壮性。HELLO 消息只报告邻节点状态的变化,也可减少开销
7 STARA(system and traffic dependent adaptive routing algorithm)
STARA 协议采用了最短路径算法计算路径,但“最短”路由度量采用了平均时延,考虑了无线链路的容量和排队时延等因素。其采用的平均时延估测机制不需要双向信道和节点间的时钟同步的支持。
反应式路由协议
网络中的每个节点在需要进行通信时才发送路由分组,以减少路由开销。一般分成两个阶段: 路由发现和路由维护。
路由发现:当一个节点需要向某个目标节点发送数据时,首先查询其路由表,如果不存在所需路由,就启动一个路由发现过程,通常是广播一个路由请求(RREQ)分组,当合适的路由被找到,返回一个请求响应(RREP),该过程就终止。或所有可能的路由排列都已检查过,该过程也终止。
路由维护: 路由建立后,它就由某种路由维护程序进行维护,直到该路由不再需要,或通过任何路径都无法访问目标节点。
1 泛洪路由
(1)DSR(Dynamic Source Routing)
DSR 是一种简单有效的路由协议。数据分组头部包含了完整的路由信息,可以避免环路。中间节点使用了路由缓存技术以减少了路由发现的耗费,但过期路由会影响路由选择的准确性。
DSR 支持单向链路,支持主动应答和被动应答两种链路状态监测方法,不需要周期性的广播链路状态信息,可减少开销。但因分组头部包含了完整的路由信息,所以链路利用率低。
(2)AODV(Ad Hoc On-demand Distance Vector Routing)
AODV 是基于DSDV 的,使用目的序列号防止环路和计数到无穷大等问题。在
路由发现阶段,当节点需要发送信息而又没有目的节点的有效路由时,启动一个路由发现过程:向网络广播一个RREQ 分组。AODV 允许中间节点响应RREQ。发现路由后,中间节点或目的节点以单播的方式向源节点发送一个RREP 分组。AODV 支持单向链路。
AODV 路由开销小,但要周期性地广播HELLO报文来监视链路状态,要消耗一定的电池能源和网络带宽。
(3)TORA(Temporally Ordered Routing Algorithm)
是基于链路反转的路由算法,提供到目的节点的多条路由,可以传输更高速的数据。其关键的设计概念是将控制信息局限在发生拓扑变化的区域的少量节点中。可以处理高密度网络,适应高度动态的移动网络环境,但不支持单向信道,且TORA 算法是基于同步时钟的,所以时钟不同可导致路由故障。
(4)ABR(Associativity Based Routing)
ABR有两个独特之处:一是依据路由的持久性和质量来选择路由,二是当路由失效时,通过路由重组来快速查找路由。
(5)SSR(signal stability based adaptive routing)
SSR是基于信号强度自适应路由协议。该协议旨在选择连接性最强的路由。SSA由两个互相合作的协议构成: 动态路由协议(DRP)和静态路由协议(SRP)。DRP 负责维护信号稳定度表(SST)和路由表(RT)。SST记录邻节点的信号强度。在选择路由时,将信号强度作为选择依据,以得到稳定性最好的路由。SSR不支持单向链路。
平面受限路由
平面受限路由和平面泛洪路由类似,不同的是在路由查找过程中,对请求报文的传播范围进行了限制,以减少路由开销,且速度快,网络可扩展性好。
1 LAR(Location-Aided Routing)
LAR 通过GPS 获得移动主机的位置信息来控制路由查询范围。提供了两种控制路由查找的策略:区域策略和距离策略。在区域策略中,只有在限定的路由请求传播范围内的主机才参与路由查找;在距离策略中,通过比较源节点到目的节点的距离和中间节点到目的节点的距离来决定中间节点是否转发路由请求。
2 RDMAR(Relative Distance Miero-discovery Ad hoc Routing)
RDMAR 由路由查找和路由维护两部分组成。在路由查找时,利用源宿主机间的网段数来限制路由查找范围。在路由维护时,依据主机间的空间关系来确定维护策略。使用主动应答来监测链路状态。
层次型路由协议
在分层路由协议中,最常用的方法是将地理上紧密相联的节点组成一个显式的簇,每个簇选举一个簇头,簇内部节点与簇头直接通信,是单跳的,这种方式称为物理分层。另一种方法是隐式地分层,每个节点属于一个本地范围,范围内外使用不同的路由策略。范围中的节点要进行选路,这种方式称为逻辑分层。
1 CGSR(Cluster head Gateway Switch Routing)
CGSR 是典型的基于簇的DV 路由协议,用LCC(Least Cluster head Change)算法分簇,选簇头,属于两个或多个簇的节点作为网关。网络由三种节点:簇头,网关,内部节点组成。每个节点维护两张表: 簇成员表,DV 路由表。簇成员表记
录了到每个节点的簇头信息,并周期性地广播,表的大小取决于网络中簇的个数。路由表只维护了到每个簇的簇头的一条路由。
2 HSR(Hierarchical State Routing)
HSR是基于簇的LS路由协议,通过递归使用簇方法来维护一个逻辑分层结构。也由三种节点: 簇头,网关,内部节点组成。节点地址格式为HID(物理节点的Hierarchical ID),显示了该节点的分层拓扑信息,HID足以将分组传到网络中的任何目的节点。
GPS 辅助型路由协议
GPS 可以提供位置信息用于受限路由;提供网络定时,为装有GPS 的节点提供全局同步。
1 GeoCast (Geographic Addressing and Routing)
GeoCast允许信息被传到某一地理区域中的所有节点,地理区域可以是一点,一个圆或一个椭圆。GeoCast中有三种类型的节点: GeoHost是可接收和发送用户信息和地理位置信息的主机; GeoNode存在于子网中, 将从GeoHost 接收的信息转发给GeoRouter 并存放从GeoRouter 接收的位置信息;GeoRouter计算服务区,通过交换服务区的信息来建立路由表。
2 DREAM(Distance Routing Effect Algorithm for Mobility)
DREAM是一种使用位置信息的先验式路由协议。提供了多路径的路由。每个节点通过使用从GPS 获得的信息实现距离效应原则和移动率原则,从而减少路由开销。
3 GPSR(Greedy Perimeter Stateless Routing)
GPSR 只使用了邻节点的位置信息传送数据,每个节点只维护一跳拓扑信息。并且,位置信息捎带在节点发送的所有数据包中。有两种数据传送策略:greedy forwarding ,perimeter forwarding。GPSR中每个节点的路由状态少,路由信息的复杂度低,特别适用于密集型无线网。
ＩＳＳＮ１０００．９８２５．ＣＯＤＥＮＲＵＸＵＥＷ ＪｏｕｒｎａｌｏｆＳｏｆｔｗａｒｅ，Ｖ０１．１７，Ｎｏ．７，Ｊｕｌｙ２００６，ＰＰ．１５８８—１６００ ＤＯＩ：１０．１３６０／ｊｏｓｌ７１５８８ ＠２００６ｂｙＪｏｕｒｎａｌｏｆＳｏｆｔｗａｒｅ．Ａｌｌｒｉｇｈｔｓｒｅｓｅｒｖｅｄ． 无线传感器网络分簇路由协议水 沈波＋，张世永，钟亦平 （复旦大学计算机与信息技术系，上海２００４３３） Ｃｌｕｓｔｅｒ－ＢａｓｅｄＲｏｕｔｉｎｇＰｒｏｔｏｃｏｌｓｆｏｒ ＷｉｒｅｌｅｓｓＳｅｎｓｏｒＮｅｔｗｏｒｋｓ ＳＨＥＮＢｏ＋，ＺＨＡＮＧＳｈｉ—Ｙｏｎｇ，ＺＨＯＮＧＹｉ—Ｐｉｎｇ （ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，ＦｕｄａｎＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００４３３，Ｃｈｉｎａ） ＋Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ：Ｐｈｎ：＋８６—２１—６５６４３２３５，Ｅ—ｍａｉｌ：０４２０２１１６５＠ｆｕｄａｎ．ｅｄｕ．ｃａ，ｈｔｔｐ：／／ｗｗｗ．ｆｕｄａｎ．ｅｄｕ．ｃａ Ｅ－ｍａｉｌ：ｊｏｓ＠ｉｓｃａｓ．ａｃ．ｃｎｈｔｔｐ：／／ｗｗｗ．ｊｏｓ．ｏｒｇ．ｃａＴ乩，Ｆａｘ：＋８６．１０—６２５６２５６３ ＳｈｅｎＢ，ＺｈａｎｇＳＹ，ＺｈｏｎｇＹＰ．Ｃｌｕｓｔｅｒ－Ｂａｓｅｄｒｏｕｔｉｎｇｐｒｏｔｏｃｏｌｓｆｏｒｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ．ＪｏｕｒｎａｌｏｆＳｏｆｔｗａｒｅ，２００６，１７（７）：１５８８—１６００．ｈｔｔｐ：／／ｗｗｗ．ｊｏｓ．ｏｒｇ．ｃｎ／１０００－９８２５／１７／１５８８．ｈｔｍ Ａｂｓｔｒａｃｔ：Ｒｏｕｔｉｎｇｔｅｃｈｎｏｌｏｇｙａｔｔｈｅｎｅｔｗｏｒｋｌａｙｅｒｉｓｐｉｖｏｔａｌｉｎｔｈｅａｒｃｈｉｔｅｃｔｕｒｅｏｆｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓ．Ａｓａｎａｃｔｉｖｅｂｒａｎｃｈｏｆｒｏｕｔｉｎｇｔｅｃｈｎｏｌｏｇｙ，ｃｌｕｓｔｅｒ－ｂａｓｅｄｒｏｕｔｉｎｇｐｒｏｔｏｃｏｌｓｅｘｃｅｌｉｎｎｅｔｗｏｒｋｔｏｐｏｌｏｇｙｍａｎａｇｅｍｅｎｔ，ｅｎｅｒｇｙｍｉｎｉｍｉｚａｔｉｏｎ，ｄａｔａａｇｇｒｅｇａｔｉｏｎａｎｄＳＯｏｎ．Ｉｎｔｈｉｓｐａｐｅｒ，ｃｌｕｓｔｅｒ－ｂａｓｅｄｒｏｕｔｉｎｇｍｅｃｈａｎｉｓｍｓｆｏｒｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋｓａｒｅａｎａｌｙｚｅｄ．Ｃｌｕｓｔｅｒｈｅａｄｓｅｌｅｃｔｉｏｎ，ｃｌｕｓｔｅｒｆｏｒｍａｔｉｏｎａｎｄｄａｔａｔｒａｎｓｍｉｓｓｉｏｎａｒｅｔｈｒｅｅｋｅｙｔｅｃｈｎｉｑｕｅｓｉｎｃｌｕｓｔｅｒ－ｂａｓｅｄｒｏｕｔｉｎｇｐｒｏｔｏｃｏｌｓ．Ａｓｖｉｅｗｅｄｆｒｏｍｔｈｅｔｈｒｅｅｔｅｃｈｎｉｑｕｅｓ，ｒｅｃｅｎｔｒｅｐｒｅｓｅｎｔａｔｉｖｅｃｌｕｓｔｅｒ－ｂａｓｅｄｒｏｕｔｉｎｇｐｒｏｔｏｃｏｌｓａｒｅｐｒｅｓｅｎｔｅｄ，ａｎｄｔｈｅｉｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄａｐｐｌｉｃａｔｉｏｎａｒｅａｓａｒｅｃｏｍｐａｒｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅｆｕｔｕｒｅｒｅｓｅａｒｃｈｉｓｓｕｅｓｉｎｔｈｉｓａｒｅａａｒｅｐｏｉｎｔｅｄｏｕｔ． Ｋｅｙｗｏｒｄｓ：ｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋ；ｃｌｕｓｔｅｒ－ｂａｓｅｄｒｏｕｔｉｎｇｐｒｏｔｏｃｏｌ；ｃｌｕｓｔｅｒ；ｃｌｕｓｔｅｒｈｅａｄ 摘要：在无线传感器网络体系结构中，网络层的路由技术至关重要．分簇路由具有拓扑管理方便、能量利用高效、数据融合简单等优点，成为当前重点研究的路由技术．分析了无线传感器网络分簇路由机制，着重从簇头的产生、簇的形成和簇的路由角度系统地描述了当前典型的分簇路由算法，并比较和分析了这些算法的特点和适用情况．最后结合该领域当前研究现状，指出分簇路由算法未来的研究重点． 关键词：无线传感器网络；分簇路由协议；簇；簇头 中图法分类号：ＴＰ３９３文献标识码：Ａ 作为一种新的信息获取方式和处理模式，无线传感器网络（ｗｉｒｅｌｅｓｓｓｅｎｓｏｒｎｅｔｗｏｒｋ，简称ＷＳＮ）Ⅲ目前已成为国内外备受关注的研究热点． 作为一种典型的普适计算（ｐｅｒｖａｓｉｖｅｃｏｍｐｕｔｉｎｇ）应用，ＷＳＮ通过大量部署在监测区域内的传感器节点，采集网络覆盖区域内感知对象的信息，通过多跳的无线通信方式，将收集、处理后的信息提供给终端用户．ＷＳＮ不需要固定的网络支持，具有快速展开、抗毁性强等特点，可广泛应用于军事侦察、环境监测、医疗监护、农业养殖和其他商业领域，以及空间探索和灾难抢险等特殊领域【２，３】． ?Ｒｅｃｅｉｖｅｄ２００５—１２—２０；Ａｃｃｅｐｔｅｄ２００６—０２—２３
基于LVQ神经网络的人脸朝向识别 摘要人脸识别是当今模式识别和人工智能的一个重要的研究方向。人脸的朝向识别是一个复杂的模式识别问题。在实际应用中，大量图像和视频源中人脸的位置、朝向、旋转角度都是不固定的，这大大增加了人脸识别的难度。为了解决这些问题，本实验采用了LVQ神经网络模型对图像中的人脸朝向识别进行研究。本实验基于matlab平台设计LVQ神经网络，实现对人脸朝向的判断。实验结果表明，LVQ神经网络可以根据输入图像的二值信息，以较高的准确率判别该图像中的人脸朝向。 关键字：人脸朝向识别；LVQ神经网络；matlab；特征提取 人脸识别是一个活跃的研究领域。尽管相对于虹膜和指纹识别，人脸识别的准确还比较低，但人脸的易采集、非接触的优点，让人脸识别受到越来越多的关注。人脸识别对人脸位置和状态都有一定的限制，实际应用中，图像和视频源 中人脸的位置，朝向和旋转都不是固定的，这就为我们后续的人脸识别有了更大的难度。 在人脸识别的研究领域中，人脸朝向识别是其中的一个分支。在以往的研究中，绝大多数的研究人员希望能够消除人脸朝向在人脸识别中的不良影响，但在复杂的实际环境中，我们无法忽略人脸朝向对人脸识别的影响。因此，对人脸朝向的判定和识别是非常有必要和有意义的。 1LVQ神经网络 学习向量量化(Learning Vector Quantization，LVQ)神经网络，属于前向神经网络类型，在模式识别和优化领域有着广泛的应用。LVQ神经网络由三层组成，即输入层、隐含层和输出层，网络在输入层与隐含层间为全连接，而在隐含层与输出层间为部分连接，每个
输出层神经元与隐含层神经元的不同组相连接。隐含层和输出层神经元之间的连接权值固定为1。输入层和隐含层神经元间连接的权值建立参考矢量的分量（对每个隐含神经元指定一个参考矢量）。在网络训练过程中，这些权值被修改。隐含层神经元（或称为Kohnen神经元）和输出神经元都具有二进制输出值。当某个输入模式被送至网络时，参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个“1”，而其它隐含层神经元都被迫产生“0”。与包含获胜神经元的隐含层神经元组相连接的输出神经元也发出“1”，而其它输出神经元均发出“0”。产生“1”的输出神经元给出输入模式的类，由此可见，每个输出神经元被用于表示不同的类。 2人脸朝向识别的设计 2.1问题描述 现采集到一组不同人脸朝向的图像，这组图像来自于10个人，每人5张图片，人脸朝向分为：左方、左前方、正面、右前方、右方，如图2-1所示。创建一个LVQ神经网络，对给出的人脸进行朝向的判定与识别。 2-1人脸朝向识别图 2.2建立模型 2.2.1设计思路 通过观察不难发现，当人脸朝向不同的方向时，眼睛在图像中的位置差别较大。所以，将眼睛位置的特征信息作为LVQ神经网络识别的输入，将5个朝向作为其输出。在对训练
背板带宽和最大吞吐的数据量的计算方法 背板带宽，是交换机接口处理器或接口卡和数据总线间所能吞吐的最大数据量。一台交换机的背板带宽越高，所能处理数据的能力就越强，但同时设计成本也会上去。 但是，我们如何去考察一个交换机的背板带宽是否够用呢？显然，通过估算的方法是没有用的，我认为应该从两个方面来考虑： 1）所有端口容量X端口数量之和的2倍应该小于背板带宽，可实现全双工无阻塞交换，证明交换机具有发挥最大数据交换性能的条件。 2）满配置吞吐量(Mpps)=满配置GE端口数×1.488Mpps其中1个千兆端口在包长为64字节时的理论吞吐量为1.488Mpps。例如，一台最多可以提供64个千兆端口的交换机，其满配置吞吐量应达到64×1.488Mpps = 95.2Mpps，才能够确保在所有端口均线速工作时，提供无阻塞的包交换。如果一台交换机最多能够提供176个千兆端口，而宣称的吞吐量为不到261.8Mpps(176 x 1.488Mpps = 261.8)，那么用户有理由认为该交换机采用的是有阻塞的结构设计。 一般是两者都满足的交换机才是合格的交换机。 背板相对大，吞吐量相对小的交换机，除了保留了升级扩展的能力外就是软件效? ?专用芯片电路设计有问题；背板相对小。吞吐量相对大
的交换机，整体性能比较高。不过背板带宽是可以相信厂家的宣传的，可吞吐量是无法相信厂家的宣传的，因为后者是个设计值，测试很困难的并且意义不是很大。 交换机的背版速率一般是：Mbps,指的是第二层， 对于三层以上的交换才采用Mpps 补充一下1.488的由来： 具体的数据包在传输过程中会在每个包的前面加上64个preamble （前导符），然后在每个包之间会有96个bit的IFG（帧间隙），也就是原本传输一个64个字节的数据包，虽只有512个bit，但在传输过程中实际上会有512+64+96=672bit，也就是说，这时一个数据包的长度实际上是有672bit的。千兆端口线速包转发率=1000Mbps/672=1.488095Mpps，约等于1.4881Mpps，百兆端口线速包转发率=100Mbps/672=0.1488095Mpps，约等于0.14881Mpps。 下面有两个例子 2950G-48 背板＝2×1000×2＋48×100×2(Mbps)＝13.6(Gbps) 相当于13.6/2=6.8个千兆口 吞吐量=6.8×1.488=10.1184Mpps 4506
1. 引言 (2) 2. 在农业生产管理与决策中的应用 (2) 2.1. 在农业机械化中的应用 (2) 2.2. 在智能农业专家系统中的应用 (3) 3. 在预测和估产中的应用 (3) 3.1. 在农作物虫情预测中的应用 (3) 3.2. 在作物水分和营养胁迫诊断及产量估测中的应用 (4) 4. 在分类鉴别与图像处理中的应用 (5) 5. 结束语 (5)
BP 神经网络的研究与应用 摘要: 本文概述了BP 神经网络在农机总动力预测、农业专家系统信息决策、虫情测报、农作物水分和养分胁迫、土壤墒情、变量施肥、分类鉴别和图像处理等领域的应用情况，总结了人工神经网络模型的优点，指出其在精准农业和智能农业中的重要理论技术支撑作用。 关键词: BP神经网络; 农业工程; 农业专家系统; 变量施肥; 土壤墒情 Research and Application of BP Neural Network Abstract: Application of BP neural network in prediction of total power in agriculture machinery，information decision-making by agricultural experts system，pest forecast，crops to water stress and nutrient stress，soil moisture condition，variable rate fertilization，identification and image processing were overviewed．Characteristics of artificial neural network model were summed．Supporting role for important theory and technology in precision agriculture and intelligent agriculture were pointed． Key words: BP neural network，Agricultural engineering，Agricultural experts system，Variable rate fertilization，Soil moisture condition
比特率是指每秒传送的比特(bit)数。单位为bps(BitPerSecond)，比 特率越高，传送的数据越大。比特率表示经过编码(压缩)后的音、视频数据每秒钟需要用多少个比特来表示，而比特就是二进制里面最小的单位，要么是0,要 么是1。比特率与音、视频压缩的关系，简单的说就是比特率越高，音、视频的质量就越好，但编码后的文件就越大；如果比特率越少则情况刚好相反。 码流(DataRate)是指视频文件在单位时间内使用的数据流量，也叫码 率，是视频编码中画面质量控制中最重要的部分。同样分辨率下，视频文件的码 流越大，压缩比就越小，画面质量就越咼。 上行带宽就是本地上传信息到网络上的带宽。上行速率是指用户电脑向网络发送信息时的数据传输速率，比如用FTP上传文件到网上去，影响上传速度的就是“上行速率”。 下行带宽就是从网络上下载信息的带宽。下行速率是指用户电脑从网络下载信息时的数据传输速率，比如从FTP服务器上文件下载到用户电脑，影响下传速度的就是“下行速率”。 不同的格式的比特率和码流的大小定义表： 传输带宽计算： 比特率大小X摄像机的路数=网络带宽至少大小； 注：监控点的带宽是要求上行的最小限度带宽(监控点将视频信息上传到监控中心);监控中心的带宽是要求下行的最小限度带宽(将监控点的视频信息下载到监控中心);例：电信2Mbps的ADSL宽带，理论上其上行带宽是512kbps=64kb/s，其下行带宽是2Mbps=256kb/s
例：监控分布在5个不同的地方，各地方的摄像机的路数：n=10（20路）1 个监控中心，远程监看及存储视频信息，存储时间为30天。不同视频格式的带宽及存储空间大小计算如下： 地方监控点： CIF视频格式每路摄像头的比特率为512Kbps,即每路摄像头所需的数据传输带宽为512Kbps, 10路摄像机所需的数据传输带宽为： 512Kbps（视频格式的比特率）X 10（摄像机的路 数）?5120Kbps=5Mbps上行带宽） 即:采用CIF视频格式各地方监控所需的网络上行带宽至少为5Mbps; D1视频格式每路摄像头的比特率为，即每路摄像头所需的数据传输带宽为，10路摄像机所需的数据传输带宽为： （视频格式的比特率）X 10（摄像机的路数）=15Mbps（上行带宽） 即:采用D1视频格式各地方监控所需的网络上行带宽至少为15Mbps; 720P（100万像素）的视频格式每路摄像头的比特率为2Mbps即每路摄像头所需的数据传输带宽为2Mbps 10路摄像机所需的数据传输带宽为： 2Mbps（视频格式的比特率）X 10（摄像机的路数）=20Mbps（上行带宽） 即:采用720P的视频格式各地方监控所需的网络上行带宽至少为 20Mbps; 像头所需的数据传输带宽为4Mbps 10路摄像机所需的数据传输带宽为:
基于人工神经网络的预测研究文献综述专业：电子信息工程班级：08级2班作者：刘铭指导老师：熊朝松 引言 随着多媒体和网络技术的飞速发展及广泛应用，人工神经网络已被广泛运用于各种领域，而它的预测功能也在不断被人挖掘着。人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。现代计算机构成单元的速度是人脑中神经元速度的几百万倍，对于那些特征明确，推理或运算规则清楚地可编程问题，可以高速有效地求解，在数值运算和逻辑运算方面的精确与高速极大地拓展了人脑的能力，从而在信息处理和控制决策等方面为人们提供了实现智能化和自动化的先进手段。但由于现有计算机是按照冯·诺依曼原理，基于程序存取进行工作的，历经半个多世纪的发展，其结构模式与运行机制仍然没有跳出传统的逻辑运算规则，因而在很多方面的功能还远不能达到认得智能水平。随着现代信息科学与技术的飞速发展，这方面的问题日趋尖锐，促使科学和技术专家们寻找解决问题的新出路。当人们的思想转向研究大自然造就的精妙的人脑结构模式和信息处理机制时，推动了脑科学的深入发展以及人工神经网络和闹模型的研究。随着对生物闹的深入了解，人工神经网络获得长足发展。在经历了漫长的初创期和低潮期后，人工神经网络终于以其不容忽视的潜力与活力进入了发展高潮。这么多年来，它的结构与功能逐步改善，运行机制渐趋成熟，应用领域日益扩大，在解决各行各业的难题中显示出巨大的潜力，取得了丰硕的成果。通过运用人工神经网络建模，可以进行预测事物的发展，节省了实际要求证结果所需的研究时间。 正是由于人工神经网络是一门新兴的学科，它在理论、模型、算法、应用和时限等方面都还有很多空白点需要努力探索、研究、开拓和开发。因此，许多国家的政府和企业都投入了大量的资金，组织大量的科学和技术专家对人工神经网络的广泛问题立项研究。从人工神经网络的模拟程序和专用芯片的不断推出、论文的大量发表以及各种应用的报道可以看到，在这个领域里一个百家争鸣的局面已经形成。 为了能深入认识人工神经网络的预测功能，大量收集和阅读相关资料是非常必要的。搜集的资料范围主要是大量介绍人工神经网路，以及认识和熟悉了其中重要的BP网络。参考的著作有：马锐的《人工神经网络原理》，胡守仁、余少波的《神经网络导论》以及一些相关论文，董军和胡上序的《混沌神经网络研究进展和展望》，朱大奇的《人工神经网络研究现状及其展望》和宋桂荣的《改进BP算法在故障诊断中的应用》，这些
第5章网络层 5.1网络层概述 网络层负责数据包经过多条链路、由信源到信宿传递过程，并保证每个数据包能够成功和有效率地从出发点到达目的地。为实现端到端的传递，网络层提供了两种服务：线路交换和路由选择。线路交换是在物理链路之间建立临时的连接，每个数据包都通过这个临时链路进行传输；路由选择是选择数据包传输的最佳路径，在这种情况下，每个数据包都可以通过不同的路由到达目的地，然后再在目的地重新按照原始顺序组装起来。 网络层是通信子网的最高层，对上层用户屏蔽了子网通信的细节，如子网类型、拓扑结构、子网数目，向上层提供一致的服务、统一的地址。 5.1.1网络层功能 (1)为传输层提供建立、维持和释放网络连接的手段，完成路由选择、拥塞控制、网络 互联等功能。 (2)根据传输层的要求选择网络服务质量。服务质量的参数主要包括：残留差错率、服 务可用性、可靠性、吞吐量、传输延迟等。 (3)对数据传输过程实现流量控制、差错控制以及顺序控制。 (4)提高资源子网主机节点与通信子网的接口，向传输层提供虚电路服务和数据报服务。 网络层的主要功能是完成网络中主机间的报文传输，其关键问题之一是使用数据链路层服务将每个报文从源端传输到目的端。 基本功能：实现端到端的网络连接，屏蔽不同子网技术的差异，向上层提供一致的服务。 主要功能： 路由选择和转发 通过网络连接在主机之间提供分组交换功能 分组的分段与成块，差错控制、顺序化、流量控制
5.1.2网络层服务的特点 网络层的服务有如下特点： (1)最重要的特点是无连接 (2)服务是不可靠的，传送过程中可能延迟、不按顺序到达或者丢失等 (3)服务是尽力而为的。 网络层实现这种无连接服务的分组传送机制称为网际协议，通称IP协议。 网络层服务应遵循以下三个原则： (1)服务应与通信子网技术无关。 (2)通信子网的数量、类型和拓扑结构对传输层是隐蔽的。 (3)传输层能获得的网络地址应采用统一的编号形式，即使跨越多个LAN和WAN。 5.2路由算法 路由算法是网络层软件的一部分，它负责确定一个进来的分组应该被传送到哪条输出线路上。 5.2.1路由算法选择的参考标准 路由算法选择有以下参考标准： (1)正确性：沿着路由表所指引的路由，分组一定能够传输到最终到达的目的网络和目 的主机。 (2)最优化：指路由算法选择最佳路径的能力。 (3)简洁性：算法设计简洁，利用最少的软件和开销，提供最有效的功能。 (4)坚固性：路由算法处于非正常或不可预料的环境时，如硬件故障、负载过高或操作 失误时，都能正确运行。 (5)快速收敛：收敛是在最佳路径的判断上所有路由器到达一致的过程。收敛慢的路由 算法会造成路径循环或网络中断。 (6)灵活性：路由算法可以快速、准确地适应各种网络环境。
人工神经网络及其应用 1. 人工神经网络发展前景 人工神经网络（Artificial Neural Networks，NN）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。 神经网络具有非线性自适应的信息处理能力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用[2]。神经网络与其他传统方法相组合，将推动人工智能和信息处理技术不断发展。近年来，神经网络在模拟人类认知的道路上更加深入发展，并与模糊系统、遗传算法、进化机制等组合，形成计算智能，成为人工智能的一个重要方向。 1.1 人工神经网络的研究背景和意义 人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应[5]。 人工神经网络就是模拟人思维的一种方式，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。 近年来通过对人工神经网络的研究，可以看出神经网络的研究目的和意义有以下三点：（1）通过揭示物理平面与认知平面之间的映射，了解它们相互联系和相互作用的机理，从而揭示思维的本质，探索智能的本源。（2）争取构造出尽可能与人脑具有相似功能的计算机，即神经网络计算机。（3）研究仿照脑神经系统的人工神经网络，将在模式识别、组合优化和决策判断等方面取得传统计算机所难以达到的效果。 人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。 1.2 神经网络的发展与研究现状 1.2.1神经网络的发展
路由算法是路由协议必须高效地提供其功能，尽量减少软件和应用的开销。 路由器使用路由算法来找到到达目的地的最佳路由。 关于路由器如何收集网络的结构信息以及对之进行分析来确定最佳路由，有两种主要的路由算法：总体式路由算法和分散式路由算法。采用分散式路由算法时，每个路由器只有与它直接相连的路由器的信息——而没有网络中的每个路由器的信息。这些算法也被称为DV（距离向量）算法。采用总体式路由算法时，每个路由器都拥有网络中所有其他路由器的全部信息以及网络的流量状态。这些算法也被称为LS（链路状态）算法。 收敛是在最佳路径的判断上所有路由器达到一致的过程。当某个网络事件引起路由可用或不可用时，路由器就发出更新信息。路由更新信息遍及整个网络，引发重新计算最佳路径，最终达到所有路由器一致公认的最佳路径。收敛慢的路由算法会造成路径循环或网络中断。 路由算法的核心是路由选择算法，设计路由算法时要考虑的技术要素有： 1、选择最短路由还是最佳路由； 2、通信子网是采用虚电路操作方式还是采用数据报的操作方式； 3、采用分布式路由算法还是采用集中式路由算法； 4、考虑关于网络拓扑、流量和延迟等网络信息的来源； 5、确定采用静态路由还是动态路由。 各路由算法的区别点包括：静态与动态、单路径与多路径、平坦与分层、主机智能与路由器智能、域内与域间、链接状态与距离向量。 链接状态算法（也叫做短路径优先算法）把路由信息散布到网络的每个节点，不过每个路由器只发送路由表中描述其自己链接状态的部分。 距离向量算法（也叫做 Bellman-Ford算法）中每个路由器发送路由表的全部或部分，但只发给其邻居。 也就是说，链接状态算法到处发送较少的更新信息，而距离向量算法只向相邻的路由器发送较多的更新信息。 metric是路由算法用以确定到达目的地的最佳路径的计量标准，如路径长度。
总第246期2010年第4期 计算机与数字工程 Computer&Digital Engineering Vol.38No.4 49 基于L EACH的无线传感器网络分簇路由算法3 白凤娥 牟汇慧 姜晓荣 (太原理工大学计算机与软件学院 太原 030024) 摘 要 路由协议是无线传感器网络的重要组成部分之一,而路由算法在路由协议中起着至关重要的作用。文章在L EACH算法基础上,提出一种改进的路由算法,改进后的算法采用相对固定的成簇方式,每隔一轮重新构建簇。利用图论中的prim算法,选择每轮中P ed最大的簇头作为根节点,在簇头节点之间构造树形路由,簇头之间以多跳方式将收集到的数据发送到根节点,然后通过根节点将整个网络收集到的数据发送到基站。仿真结果表明,与L EACH算法相比,改进算法降低了能耗,有效延长了网络生存周期。 关键词 无线传感器网络;L EACH算法;分簇;生命周期 中图分类号 TP393 L EACH2Based Clustering Routing Algorithm for Wireless Sensor Networks Bai Fe ngπe M ou Huihui J ia ng Xiaorong (College of Computer and Software,Taiyuan University of Technology,Taiyuan 030024) Abs t rac t Routing protocol is an important part of wireless sensor network and the routing algorithm plays a crucial role in the routing protocol.Based on L EACH algorithm,this paper presents a novel clustering algorithm in which clusters are relatively fixed and the nodes re2organize themselves into new clusters every other round.It utilizes the Prim algorithm in the graph theory to form tree routing among cluster2head nodes,and selects the cluster2head with the largest P ed as the root node.The cluster heads send data to the root node in a multi2hop manner and the root node then sends the gathered data by the whole network to the base station.Simulation results show that compared with L EACH,the improved algorithm can re2 duce the energy consumption and prolong the lifetime of the network. Ke y Words wireless sensor network,L EACH algorithm,clustering,lifetime Class Nu m ber TP393 1 引言 无线传感器网络(Wireless Sensor Network,简称WSN)是监视远程环境的有力工具之一,它的基本功能是收集并返回传感器节点所在监测区域的信息。由于工作环境和自身构造的限制,传感器节点一般是电池供电,并且节点的更换和充电也较难实现。因此,降低节点能耗,延长网络生命周期是无线传感器网络传输机制的一个主要研究目标[1]。 网络数据传输离不开路由协议,路由协议对网络的整体性能有重要影响,因此,作为无线传感器网络核心技术之一的路由协议一直是研究的热点。路由算法在路由协议中起着至关重要的作用,无线传感器网络中的路由算法从网络逻辑结构角度可以分为平面路由和层次路由。层次路由算法是无线传感器网络路由算法的研究重点,其中,L EAC H 算法[2～3]是比较具有代表性的层次型路由算法。 本文在L EAC H算法的基础上,介绍一种改进的路由算法,改进算法的成簇方式相对固定,减少了构造簇的能量消耗。簇形成之后,在簇头间构造最小生成树,簇间通过多跳方式通信,降低了簇头节点之间长距离通信的能耗。 3收稿日期:2009年11月2日,修回日期:2009年12月5日 作者简介:白凤娥,女,教授,硕士生导师,研究方向:计算机控制与嵌入式系统,无线传感器网络。牟汇慧,女,硕士研究生,研究方向:嵌入式系统与无线自组网络。姜晓荣,女,硕士研究生,研究方向:嵌入式系统与无线自组网络。
人工智能课程论文 学院计算机与信息技术 专业计算机科学与技术 年级2010级计科一班 姓名 课题对人工神经网络学习的探讨
对人工神经网络学习的探讨 摘要： 随着智能技术研究和应用的不断深入，人工智能越来越受到社会的关注。在中国科协2008年举办的"十项引领未来的科学技术"网络评选中，"人工智能技术"名列第四。人工智能作为一项引领未来的科学技术，正在以其无限的潜力，影响着未来科学技术的发展，改变着人类的生产生活方式。 人工智能就是要用机器模拟、延伸和扩展人的智能。智能就像人类生命体的精髓一样，人工智能则是人造智能系统的精髓。今天，从智能理论到智能应用，从智能产品到智能产业，从个体智能到群体智能，从智能家居到智能社会，人工智能已无处不在，其新理论、新方法、新技术、新系统、新应用如雨后春笋般不断涌现。创新智能技术，深化智能应用是人工智能发展的根本。 人工神经网络是一种新的数学建模方式，它具有通过学习逼近任意非线性映射的能力，本文主要提出了一种基于动态BP神经网络的猜测方法。 关键字：人工智能；动态系统；反向传播；人工神经网络；BP神经网络 一、简介 作为动态系统辨识、建模和控制的一种新的、令人感兴趣的工具，人工神经网络（ANN ）提供了一种普遍而且实用的方法从样例中学习值为实数、离散值或向量的函数。像反向传播（BACKPROPAGATION）这样的算法，使用梯度下降下来调节网络参数以最佳拟合由输入—输出对组成的训练集合。ANN学习对于训练数据中的错误健壮性很好，且已被成功的应用到很多领域，例如视觉场景分析、语音识别以及机器人控制等。 对人工神经网络的研究可以追溯到计算机科学的早期。然而，直到20世纪60年代晚期，人们才开始清楚单层的感知器网络的表现能力很有限，而且找不到训练多层网络的有效方法。在20世纪80年代中期ANN的研究经历了一次复兴，主要是因为训练多层网络的反向传播算法的发明。自从20世纪80年代，反向传播算法就成为应用最广泛的学习方法，而且人们也积极探索出了很多其他的ANN 方法。 二、人工神经网络学习的国内外研究状况
在视频监控系统中，对存储空间容量的大小需求是与画面质量的高低、及视频线 路等都有很大关系。下面对视频存储空间大小与传输带宽的之间的计算方法做以 介绍 比特率是指每秒传送的比特（bit）。单位为bps(BitPerSecond) ，比特率越高，传送的数据越大。比特率表示经过编码（压缩）后的音、视频数据每秒钟需要用多少个比特来表示，而比特就是二进制里面最小的单位，要么是0,要 么是1。比特率与音、视频压缩的关系，简单的说就是比特率越高，音、视频的质量就越好，但编码后的文件就越大；如果比特率越少则情况刚好相反。 码流（DataRate）是指视频文件在单位时间内使用的数据流量，也叫码 率，是视频编码中画面质量控制中最重要的部分。同样分辨率下，视频文件的码 流越大，压缩比就越小，画面质量就越咼。 上行带宽就是本地上传信息到网络上的带宽。上行速率是指用户电脑向网络发送信息时的数据传输速率，比如用FTP上传文件到网上去，影响上传速度的就是“上行速率”。 下行带宽就是从网络上下载信息的带宽。下行速率是指用户电脑从网络下载信息时的数据传输速率，比如从FTP服务器上文件下载到用户电脑，影响下传速度的就是“下行速率”。 不同的格式的比特率和码流的大小定义表： 传输带宽计算：比特率大小X摄像机的路数=网络带宽至少大小； 注：监控点的带宽是要求上行的最小限度带宽（监控点将视频信息上传到监控中心）;监控中心的带宽是要求下行的最小限度带宽（将监控点的视频信息下载到监控中心）;例：电信2Mbps的ADSL宽带，理论上其上行带宽是 512kbps=64kb/s，其下行带宽是2Mbps=256kb/s 例：监控分布在5个不同的地方，各地方的摄像机的路数：n=10（20路）1
D2D网络中基于强化学习的路由选择与资源分配算法研究 随着通信网络的发展,终端直连通信技术(Device-to-Devic,D2D)被广泛关注,它的应用将满足用户日益增长的流量需求。然而,D2D技术的引入使得蜂窝网络内部的干扰冲突加剧,用户难以满足服务质量(Quality-of-Service,QoS)的需求。 一些传统算法基于网络“抓拍”信息可以计算得到各采样时刻的网络控制策略,却难以适应复杂多变、高度动态的网络环境。因此,本文着手于动态环境下的D2D网络中的通信问题进行了深入地研究,并结合正在兴起的机器学习技术,提出了更加智能化的解决方案。 在本文中我们将分别研究“多跳D2D网络”与“D2D直连通信”两类D2D应用场景的通信问题,提出了在两种场景下基于强化学习的在线学习方法,从而解决多跳网络中的路由问题与D2D直连网络中的资源分配问题。而随着问题复杂程度的增加,强化学习算法也相应由浅入深。 在路由问题中,因问题复杂程度较低,我们利用传统强化学习算法中的值迭代算法求解,而在资源分配问题中因问题规模变大,本文依次提出了基于深度Q 学习(Deep Q-Learning,DQN)的资源分配算法和深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)的资源分配算法分别解决了问题中状态空间连续与动作空间连续的问题,而这两种算法都是深度强化学习(Deep Reinforcement Learning,DRL)中的经典算法。在多跳D2D网络路由问题中,我们考虑了三类随网络动态变化的QoS指标,并利用值迭代算法求解,同时提出了分布式的强化学习算法解决了集中式算法学习周期过长的问题。 仿真发现,在动态环境中,所提算法在性能与时间复杂度方面相较于传统算
https://www.doczj.com/doc/1013459729.html,/s/blog_5bbd6ec00100b5nk.html 人工神经网络算法(2008-11-20 17:24:22) 标签：杂谈 人工神经网络算法的作用机理还是比较难理解，现在以一个例子来说明其原理。这个例子是关于人的识别技术的，在门禁系统，逃犯识别，各种验证码破译，银行预留印鉴签名比对,机器人设计等领域都有比较好的应用前景，当然也可以用来做客户数据的挖掘工作，比如建立一个能筛选满足某种要求的客户群的模型。 机器识别人和我们人类识别人的机理大体相似，看到一个人也就是识别对象以后，我们首先提取其关键的外部特征比如身高，体形，面部特征，声音等等。根据这些信息大脑迅速在内部寻找相关的记忆区间，有这个人的信息的话，这个人就是熟人，否则就是陌生人。 人工神经网络就是这种机理。假设上图中X(1)代表我们为电脑输入的人的面部特征，X(2)代表人的身高特征X(3)代表人的体形特征X(4)代表人的声音特征W(1)W(2)W(3)W(4)分别代表四种特征的链接权重，这个权重非常重要，也是人工神经网络起作用的核心变量。 现在我们随便找一个人阿猫站在电脑面前，电脑根据预设变量提取这个人的信息，阿猫面部怎么样，身高多少，体形胖瘦，声音有什么特征，链接权重初始值是随机的，假设每一个W均是0.25,这时候电脑按这个公式自动计 算,Y=X(1)*W(1)+X(2)*W(2)+X(3)*W(3)+X(4)*W(4)得出一个结果Y,这个Y要和一个门槛值（设为Q）进行比较，如果Y>Q,那么电脑就判定这个人是阿猫,否则判定不是阿猫.由于第一次计算电脑没有经验,所以结果是随机的.一般我们设定是正确的,因为我们输入的就是阿猫的身体数据啊. 现在还是阿猫站在电脑面前,不过阿猫怕被电脑认出来,所以换了一件衣服,这个行为会影响阿猫的体形,也就是X(3)变了,那么最后计算的Y值也就变了,它和Q比较的结果随即发生变化,这时候电脑的判断失误,它的结论是这个人不是阿猫.但是我们告诉它这个人就是阿猫,电脑就会追溯自己的判断过程,到底是哪一步出错了,结果发现原来阿猫体形X(3)这个 体征的变化导致了其判断失误,很显然,体形X(3)欺骗了它,这个属性在人的识别中不是那 么重要,电脑自动修改其权重W(3),第一次我对你是0.25的相信,现在我降低信任值,我0.10的相信你.修改了这个权重就意味着电脑通过学习认为体形在判断一个人是否是自己认识的人的时候并不是那么重要.这就是机器学习的一个循环.我们可以要求阿猫再穿一双高跟皮鞋改变一下身高这个属性,让电脑再一次进行学习,通过变换所有可能变换的外部特征,轮换让电脑学习记忆,它就会记住阿猫这个人比较关键的特征,也就是没有经过修改的特征.也就是电脑通过学习会总结出识别阿猫甚至任何一个人所依赖的关键特征.经过阿猫的训练电脑,电脑已经非常聪明了,这时你在让阿猫换身衣服或者换双鞋站在电脑前面,电脑都可以迅速的判断这个人就是阿猫.因为电脑已经不主要依据这些特征识别人了,通过改变衣服,身高骗不了它.当然,有时候如果电脑赖以判断的阿猫关键特征发生变化,它也会判断失误.我们就
人工神经网络 学号：7 学生所在学院：信息工程学院学生姓名：李建建任课教师：聂文滨教师所在学院：信息工程学院 2009年12月
目录第一部分：绪论3 1.1人工神经网络的定义3 1.2人工神经网络的基本原理3 1.3生物神经元3 1.4人工神经元模型4 1.5人工神经网络模型5 1.6.常见神经元响应函数7 1.7.神经网络基本学习算法8 1.7.1有教师学习（监督学习）8 1.7.2无教师学习（无监督学习）8 1.7.3强化学习（再励学习）8 第二部分：反向传播网络9 2.1 BP网络9 2.1.1BP网络主要应用：9 2.1.2BP网络特点9 2.1.3多层BP网络简介10 2.2三层BP网络10 2.2.1三层BP网络结构图10 2.2.2三层BP网络学习算法11 2.2.3三层BP网络设计需要考虑的问题11 第三部分：自适应竞争神经网络12 3.1自组织网络12 3.1.1网络类型12 3.1.2网络学习规则13 3.2竞争网络13 3.2.1网络结构13 3.2.2竞争网络原理14 3.2.3网络工作方式14 3.2.4 网络训练15 3.2.5竞争网络的局限性15 第四部分：地震预报的MATLAB实现15 4.1基于人工神经网络的地震预测研究背景15 4.2模型的建立16 4.3自适应竞争网络对地震等级进行预测16 4.3.1数据处理16 4.3.2自适应竞争网络设计17 4.4BP网络对地震的大小进行预测18 4.4.1数据处理18 4.4.2BP网络的设计19 第五部分：作业21
第一部分：绪论 1.1人工神经网络的定义 人工神经网络的定义不是统一的，T.Koholen对人工神经网络的定义：“人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。” 1.2人工神经网络的基本原理 人工神经网络（articles neural network，ANN）结构和工作机理基本上以人脑的组织结构（大脑神经元网络）和活动规律为背景的，它反映了人脑的某些基本特征，但并不是要对人脑部分的真实再现，可以说它是某种抽象、简化或模仿。 1.3生物神经元 神经元是大脑处理信息的基本单元，人脑大约由1011个神经元组成，神经元互相连接成神经网络。神经元以细胞体为主体，由许多向周围延伸的不规则树枝状纤维构成的神经细胞，其形状很像一棵枯树的枝干。主要由细胞体、树突、轴突和突触(Synapse，又称神经键)组成。
学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 监督式学习： 在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network） 非监督式学习：
在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。 半监督式学习： 在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM.）等。 强化学习：