神经网络在图像分类任务上表现优异,但它极易受添加微小扰动的对抗样本的影响,输出错误的分类结果;而目前防御方法存在图像特征提取能力不足、对图像关键区域特征关注较少的问题。针对这些问题,提出了一种融合残差密集块(RDB)自注意力机制和生成对抗网络(GAN)的攻击防御模型——RD-SA-DefGAN。该模型将GAN和投影梯度下降(PGD)攻击算法相结合,吸收PGD攻击算法生成的对抗样本进入训练样本扩充训练集,辅以条件约束稳定模型的训练过程。该模型添加了残差密集块和自注意力机制,在充分提取特征的同时,增大了关键区域特征对分类任务的贡献度。在CIFAR10、STL10和ImageNet20数据集上的实验结果表明,RD-SA-DefGAN能对对抗攻击实施有效防御,在抵御PGD对抗攻击上优于Adv.Training、Adv-BNN、Rob-GAN等防御方法。相较于结构最近似的Rob-GAN,在CIFAR10数据集上,RD-SA-DefGAN在扰动阈值为0.015~0.070时,防御成功率提升了5.0~9.1个百分点。
针对果蝇优化算法(FOA)易陷入局部最优和收敛精度不高等缺点,在果蝇算法中引入Levy飞行策略,提出了具有Levy飞行特征的双子群果蝇优化算法(LFOA).在迭代寻优过程中,根据果蝇种群的进化程度动态地将果蝇种群划分为以当代最差个体为中心的较差子群和以当代最优个体为中心的较优子群;较差子群在最优个体指导下进行全局搜索,较优子群则围绕最优个体做Levy飞行进行局部搜索,这样既平衡了种群的全局和局部搜索能力,同时又可以利用Levy飞行偶尔的长跳跃来跳出局部最优;两个子群的信息通过最优个体的改变和子群的重组进行交换.对6个典型测试函数的仿真实验表明,LFOA具有全局收敛的能力,相比FOA具有更好的收敛精度、收敛速度和收敛可靠性.
为解决现有微观交通仿真系统中,由于采用基于链表的方法处理近邻查询导致的查询效率和可扩展性不高的问题,提出了一种基于B+树的近邻查询算法。该算法借鉴了数据库中近邻查询算法的思想并结合了链表结构的优点,在叶子节点维护了其存储的数据单元(即车辆)关系的索引结构,以达到快速查询车辆所在车道的前后车的目的。同时,在假设车辆随机分布的前提下,构建了一个数学模型,根据道路的属性和道路中车辆的数量,计算查询目标车辆的邻近车辆所需的最短平均查询长度,并通过此最短查询长度推导算法参数的最优值。理论分析和对比仿真实验显示,衡量该算法的主要指标:即仿真每个车辆的平均时间消耗,在三类常见的交通参数设置(正常的、较拥堵的和拥堵的)下较链表和B+树分别降低了64.2%和12.8%。仿真结果表明该算法具有良好的可扩展性,更适用于大规模微观交通仿真系统。
针对协作通信系统中源到中继及中继到目的两阶段的瞬时信道状态信息(CSI)影响系统整体误码率(BER)的问题,提出一种综合衡量两阶段信道系数的中继选择方案.首先,根据每个候选中继的CSI,比较源到中继及中继到目的的两阶段信道系数,选出两者中较差的信道状态;然后,按照较差的信道状态对候选中继排序,得到近似较优的中继节点集合;最后,从中选择两阶段信道系数之和最大者作为被选中继参与协作传输.仿真结果表明,当候选中继节点数为100及5,BER下降到10-4及10-5时,所提的中继选择方案与基于最优较差信道的中继选择方案、基于最近邻关系的中继选择方案相比,所需信噪比(SNR)分别降低了0.4 dB和0.2 dB.所提方案能够增加无线中继网络的信息传输范围,提高信息传输的可靠性.
局部二值模式(LBP)仅依赖中心点和其邻域点在灰度上的差异,忽略了邻域点之间的浮动关系,导致表征能力较差,因此提出了一种改进的LBP算法。在对图像LBP二值化前,首先将邻域点按顺时针方向和其相邻的点进行比较得到一串类似于LBP算子的二进制序列;然后对这一序列进行十进制编码,并将这一部分的特征记作Float-LBP(F-LBP);最后再和原始的LBP算子提取的特征结合作为整幅图像的纹理特征。实验表明,通过F-LBP和LBP算子的结合,在保留局部微观纹理的前提下增加了更多的图像纹理分布信息,提高了算法的检索精度。
作为实现移动自组网自动配置的一个关键问题,综述了节点地址的自动配置的最新进展,描述了设计移动自组网动态地址配置协议所面临的问题,对该问题研究开展以来所提出的各种主要方法和协议进行了详细对比、分析和分类阐述,为进一步的研究提出了新的建议。