在新兴的纳米物联网(IoNT)中,信息将通过复杂和扩散的媒体以分子的形式嵌入和传播。一个主要的挑战在于信道响应的长尾性质导致符号间干扰(ISI),这会降低检测性能。如果信道未知,我们不能轻易实现传统的相干信道估计和消除,并且ISI的影响将是在本文中,我们开发了一种用于分子信号盲检测的新型高维非相干方案。我们通过组合利用信号的瞬态特征的不同非相干度量,在更高维度的空间中实现这一点。通过推导任何构造的高维非相干度量的理论误码率(BER),我们证明了更高的维数总是在相同的样本空间中实现更低的BER。然后,我们设计了一个利用了Thearzen的广义盲检测算法。近似及其概率神经网络(Parzen-PNN)检测信息比特。利用其快速收敛和并行实现的优点,我们提出的方案可以满足检测精度和实时计算的需要。数值模拟表明,与其他最先进的方法相比,我们提出的方案可以获得10dB的BER。
translated by 谷歌翻译
在本文中,我们考虑利用部分重叠信道(POC)的网状结构无人机(UAV)网络。对于无人机网络中的基因标记收集任务,我们的目标是通过限制传输功率和服务质量(QoS)来优化网络吞吐量。就高度移动和不断变化的无人机网络而言,不幸的是,大多数现有方法依赖于确定对动态环境易受攻击的信息,使系统性能降低。为了对抗UAVnetworks的动态拓扑和变化干扰,提出了一种鲁棒的分布式学习方案。我们引入不确定性来表征无人机节点之间的动态信道增益,然后用模糊数解释,而不是完美的信道状态信息(CSI)。我们在映射模糊空间中实现学习和决策过程,而不是传统观察空间,其中信道容量是一个明确的奖励。这允许系统通过在备用空间中进行优化来实现更加平稳和更强大的性能。为此,我们设计了一个模糊支付函数(FPF)来描述波动的可能性,POCs分配的问题被公式化为模糊支付游戏(FPG)。在模糊双矩阵博弈的有吸引力的辅助下,证明了模糊纳什均衡(FNE)在我们制定的FPG中的存在性。我们的鲁棒模糊学习算法可以通过偏差法达到均衡解。最后,提供数值模拟以证明我们的新方案优于现有方案的优点。
translated by 谷歌翻译
检测异常并发现驾驶信号是科学研究和工业实践的重要组成部分。通常,潜在的机制非常复杂,涉及隐藏的演化非线性动力学和噪声污染。当代表性物理模型和大型标记数据集不可用时,与大多数实际应用程序一样,依赖于模型的贝叶斯方法会产生误导性结果,并且大多数监督学习机器也无法可靠地解决复杂的演化系统。在这里,我们提出了一种无监督的机器学习方法,它在一个结构良好的函数空间中运行,通过由考夫曼算子确定的线性函数表示来捕获非线性动力学。这一突破利用了时间特征嵌入和随后重建动态的相空间表示,从而允许从整个轨迹中可靠地识别关键全局特征。这大大改善了常用的静态局部特征,这些特征是脆弱的过渡或噪声。由于其数据驱动的性质,我们的方法包括任何先前的模型和训练语料库。我们将我们方法的惊人准确性与生物学,医学和工程学中的三个不同且具有挑战性的问题进行对比。在所有情况下,它都优于现有的最先进的方法。作为一种新的无监督信息处理范例,它适用于普遍存在的非线性动力系统,这些系统只有很少的专业知识,可以无偏见地挖掘工作原理,或者在未标记的数据流中淹没的内在相关性。
translated by 谷歌翻译
Heterogeneous network embedding (HNE) is a challenging task due to the diverse node types and/or diverse relationships between nodes. Existing HNE methods are typically unsupervised. To maximize the profit of utilizing the rare and valuable supervised information in HNEs, we develop a novel Active Heterogeneous Network Embedding (Ac-tiveHNE) framework, which includes two components: Discriminative Heterogeneous Network Embedding (DHNE) and Active Query in Heterogeneous Networks (AQHN). In DHNE, we introduce a novel semi-supervised heterogeneous network embedding method based on graph convolutional neu-ral network. In AQHN, we first introduce three active selection strategies based on uncertainty and representativeness, and then derive a batch selection method that assembles these strategies using a multi-armed bandit mechanism. ActiveHNE aims at improving the performance of HNE by feeding the most valuable supervision obtained by AQHN into DHNE. Experiments on public datasets demonstrate the effectiveness of ActiveHNE and its advantage on reducing the query cost.
translated by 谷歌翻译
随着网络信息技术的快速发展,越来越多的人沉浸在网络带来的虚拟社区环境中,忽视了现实生活中的社会互动。随之而来的诽谤问题变得越来越严重。通过宠物机器人和育种者之间的情感沟通促进人与人之间的离线沟通“解决了这个问题,并开发了一种名为”汤姆“的设计。”汤姆“是一个智能宠物机器人,具有基于petrobot的社交机制,名为”Tom-本文的主要贡献是提出一种名为“Tom-Talker”的社交机制,鼓励用户离线社交。“Tom-Talker”也有相应的奖励机制和朋友推荐算法。它还提出了一个宠物机器人名为“汤姆“通过情感交互算法识别用户的情绪,模拟动物的情绪,并用情感进行交流。本文设计实验并分析结果。结果表明,荆棘机器人对解决城市自闭症问题有很好的效果。
translated by 谷歌翻译
我们考虑获取一方不拥有的一组数据(例如图像)的请求者。为了收集所有数据,众包机制已被广泛用于寻求人群的帮助。但是,现有的第三方平台机制以及来自这些平台的工作人员并不是必需的,而且冗余数据也没有得到妥善处理。为了解决这个问题,我们提出了一种基于社交网络的新型众包机制,其中工人的回报通过信息熵和修改后的Shapley值来计算。这种机制激励网络中的工作者不仅提供他们拥有的所有数据,而且还进一步邀请他们的邻居提供更多数据。最终,该机制能够通过受约束的奖励来获取网络上所有工作人员的所有数据。
translated by 谷歌翻译
我们考虑固定价格机制设计设置,卖方通过社交网络销售oneitem,但卖方最初只能直接与邻居沟通。网络中的每个其他节点都是潜在的买方,其估值来自共同分布。使用标准的固定价格机制,卖家只能在她的邻居中出售物品。为了增加收入,她需要更多的买家加入销售。为了实现这一目标,我们提出了第一个固定价格机制来激励这些邻居告知他们的邻居有关销售的信息并最终通知网络中的所有买家以提高卖家的收入。与同一目的的现有机制相比,我们的机制不需要买方揭示其估值,并且计算上容易。更重要的是,它保证了收益的改善至少是最优的1/2。
translated by 谷歌翻译
Image feature extraction and matching is a fundamental but computation intensive task in machine vision. This paper proposes a novel FPGA-based embedded system to accelerate feature extraction and matching. It implements SURF feature point detection and BRIEF feature descriptor construction and matching. For binocular stereo vision, feature matching includes both tracking matching and stereo matching, which simultaneously provide feature point correspondences and parallax information. Our system is evaluated on a ZYNQ XC7Z045 FPGA. The result demonstrates that it can process binocular video data at a high frame rate (640 × 480 @ 162fps). Moreover, an extensive test proves our system has robustness for image compression, blurring and illumination.
translated by 谷歌翻译
时间序列的可靠准确预测在经济投资,交通规划,港口规划和设计等领域中起着至关重要的作用。海上时间序列的动态增长具有非常复杂,非线性和非平稳的特性。为了保证高质量的预测性能,我们建议首先采用经验模式分解(EMD)和集合EMD(EEMD)方法将原始时间序列分解为高频和低频分量。可以通过传统的神经网络(NN)方法直接预测低频分量。由于数学规律性较弱,预测高频分量更加困难。为了利用高频分量中的内在自相似性,这些分量将被分成几个连续的小(重叠)分段。然后选择具有高相似性的聚类片段以形成用于传统NN方法的更多特性数据集。这种重组策略可以帮助提高高频分量的预测精度。通过对预测的高频和低频分量进行积分来获得最终预测结果。我们提出的三步预测框架受益于时间序列分解和类似的分段分组。港口货物吞吐量和船舶交通流量的实验表明,它在预测精度和鲁棒性方面具有优越的性能。
translated by 谷歌翻译
诸如彩色图像和多光谱图像之类的张量图像数据集是高度相关的,并且它们包含许多图像细节。本文的主要目的是提出并开发一种正则化张量完成模型fortensor图像数据完成。在目标函数中,我们采用新的张量核范数(TNN)来表征这种图像数据集的全局结构。此外,我们制定了一个隐式正则化器来插入卷积神经网络(CNN)降噪器,它被证实能够表达先前从大量自然图像中学习的图像。可以通过交替方向的乘法器算法有效地求解所得到的模型。实验结果(彩色图像,视频和多光谱图像)表明,图像全局结构和细节都可以很好地恢复,并说明所提出的方法在PSNR和SSIM方面的性能优于测试方法。
translated by 谷歌翻译