基于振铃抑制的多视频超分辨率重建

为了利用较少低分辨率视频序列实现多视频超分辨率重建,本文提出一种将时空分别进行重建的算法。首先利用已有方法进行时间重建,再以得到的高时间分辨率的视频序列帧为参考帧,结合输入低分辨率视频序列帧进行空间重建。此外,针对传统重建方法在配准不精确的情况下会产生振铃现象这一问题,提出一种加入自适应惩罚项的改进迭代反投影(IBP)算法。实验结果表明,本文算法在输入低分辨率序列较少的情况下,能较好地实现多视频超分辨率重建,且能有效抑制振铃现象;重建出的高分辨率视频序列的结构相似度较对比算法提高3.4%~6.1%;在主观感受上,图像边缘锐利、人工效应少。     

电烤箱模糊控制器

<正> 电烤箱是采用红外线对食品进行烘烤的烹烤工具。烘烤的对象主要是面制品、肉类、副食品等。要求效果达到色、香、味俱全。但传统电烤箱效果不甚理想。因此,我们设计了一种智能的模糊控制电烤箱,它是采用单片微型计算机作为系统的控制核心部件,在控制中采用模糊逻辑进行智能推理式控制。所以,具有先进、可靠、功能齐全、节能、烘烤食品质量极佳等一系列优点。     

基于审计博弈的安全协作频谱感知方案

针对群智协作频谱感知中恶意感知终端的投毒与搭便车攻击,结合事前威慑与事后惩罚机制提出了一种基于审计博弈的新型防御方案。首先,考虑审计预算约束,构建了一种不完全信息下的混合策略审计博弈模型,在协作感知前设置惩罚策略威慑恶意协作者,并在感知数据融合后进行审计进而实施惩罚。其次,设计了链上链下协同的轻量审计区块链模型,其中,审计证据存储在链下数据仓库,其元数据公开发布在审计链上。再次,设计了基于强化学习的分布式智能审计算法,以在动态环境下自适应地计算审计博弈的渐近混合策略均衡。仿真结果表明,相比传统方案,所提方案能快速获取稳定且渐近最优的审计策略,并积极抑制恶意协作者的投毒与搭便车行为。     

基于动态最小生成树路由协议的数据聚融算法

大规模的地理环境监测,以及用来传输与处理数据的物理基础设施无法和监测区域的规模保持同样的增速,使得不可靠链路下的数据采集与处理呈现出一种饱和流状态,无线传感器网络的能力看似难以稳定.另一方面,尽管理想网络模型的计算结果足够精确,然而,由于与实际应用偏差甚大,使得网络用户无法充分地分析和利用从工业现场所获得到的网络感知数据,并且没有针对网络规模和性能对数据聚融的影响进行分析.为此,本文提出以"过渡区"作为工业现场仿真的假设条件,并在此基础上提出了一种面向实际应用的数据聚融算法,即基于可信度的数据聚融算法(R算法).在具体设计R算法过程中,选用聚集和操作符SUM为例,通过对网络提供出的近似聚集和加以自动分析、综合,针对相对误差界限ε,计算出近似聚集和的可信度的下限η;并将近似聚集和、参数η一同提供给用户,在为用户提供网络概要信息的同时,还提供了参数η作为对信息可信度的判断,以便指导用户对数据聚集结果进行深度处理和提高网络的感知性能.仿真实验描述了过渡区内由于信噪比导致的链路不可靠所引起的η的变化规律;讨论了网络性能和规模对η的影响,随着网络运行周期的增加和网络规模的增大,η的值将逐渐靠近0;从而为WSNs从理论模型投入实际工业应用提供了理论依据和经验公式.     

基于LonWorks技术的智能家居网络节点设计与开发

随着计算机技术、通信技术和控制技术的飞速发展，人民生活水平的提高，构造一种智能化的家居，使互联网进入人们的日常生活，已成为迫切的需求。家居网络是融合信息管理和信息控制的网络。他可以使一个家庭通过互联网与外界进行信息交流，也可以通过互联网对家中的设备、电器进行过程控制、节能控制、状态检测、智能服务、安全防护等。简要介绍了智能家居网络的发展，国内外研究现状，及当今被世界各国广泛应用和推荐的LonWorks现场总线技术。在此基础上，进行智能节点的硬件和软件的设计与开发，组建了一个简单的智能家居网络。     

车载网运动模型的复杂网络解析方法

车载网快速移动的特点导致其结构具有强烈的复杂性,传统的网络研究方法无法对这种复杂性进行分析.针对此问题将复杂网络解析方法运用于车载网的研究之中,依据车载网组网过程建立车载网运动模型,通过复杂网络研究手段与运动模型相结合的方式对车载网的度分布、鲁棒性以及网络连接变化率进行分析与仿真实验.结果表明,所构建的运动模型能够反应车载网构网过程,复杂网络解析方法在车载网性质分析方面十分有效.     

基于生成式人工智能的网联自动驾驶：通感融合决策技术

探讨了生成式人工智能在网联自动驾驶技术中的潜在价值。现有研究主要侧重于传统感知决策和车联网技术，但却忽视了生成式人工智能在推动自动驾驶方面的重要作用。首先讨论了生成式人工智能技术如何提高自动驾驶决策、训练、感知和导航等模块的性能，接着探讨了其在融合了语义通信、通感一体和新型空口技术的下一代车联网中的角色，然后提出了基于人工智能代理的网联自动驾驶模型，最后强调生成式人工智能是实现车辆高级别自动驾驶的关键。