【摘 要】
：
针对目前在无线局域网(WLAN)基础服务集(BSS)节能站点功耗分析模型上没有融入错误信道模型的问题,有机地结合了Gilbert-Elliot(GE)错误信道模型和WLAN BSS节能模式站点传输TCP流的功耗模型,提出并建立一种新的混合模型,同时给出了GE信道参数影响节能站点传输TCP流功耗的量化表达式,通过网络模拟器(NS2)仿真验证了新模型的正确性和有效性。
论文部分内容阅读
针对目前在无线局域网(WLAN)基础服务集(BSS)节能站点功耗分析模型上没有融入错误信道模型的问题,有机地结合了Gilbert-Elliot(GE)错误信道模型和WLAN BSS节能模式站点传输TCP流的功耗模型,提出并建立一种新的混合模型,同时给出了GE信道参数影响节能站点传输TCP流功耗的量化表达式,通过网络模拟器(NS2)仿真验证了新模型的正确性和有效性。
其他文献
针对通信混沌系统中存在着时间延迟现象,研究了两个阶数不同的混沌系统之间的函数延迟投影同步问题,基于Lyapunov稳定性理论,通过主动控制同步方法和自适应控制同步方法,分别实现了参数已知和参数未知的超混沌Lü系统和混沌Liu系统间的函数延迟投影同步。最后通过仿真实验证明了所采用方法的可行性和有效性。
为建立较完整的舰船电子抗电磁损伤效应评估指标体系,基于电磁环境特征对舰船电子系统进行概率统计分析,指出通信、雷达两重要舰载电子系统抗电磁损伤决定性因素和影响舰船电子设备抗电磁损伤能力因子,以及各因子在多评判等级中的隶属度计算方法。结合层次分析法理论对综合模糊效应评判方法进行改进,引入电子系统设计因子和抗电磁干扰因子,并分别构造抗电磁损伤能力指标集,进而初步建立包含电磁损伤概率的舰船电子系统综合抗电
针对多载波分层空时方案传统检测存在误层传输效应及复杂度高的问题,提出了一种基于非线性预编码的多载波分层空时检测方法。该方法首先对反馈信道状态信息采用几何均值分解获得各子信道具有相同等效噪声增益的预编码矩阵,再在发射端多载波CDMA子载波信道间进行非线性模代数THP预编码,可以有效地消除传统分层空时检测的误层传输效应,在接收端分别采用迫零与最小均方误差准则,降低了下行接收机的复杂度。对该方法的性能进
传统的边界表示方式导致自由曲面特征仅包含几何信息,很显然这种表达方式是很低效的。为此提出了一种有效描述自由曲面特征的新方法,该方法基于陈述式的对象族模型构建自由曲面对象族,使自由曲面具有高层次的语义信息,可以保证自由曲面特征无缝地融合到模型中去,同时满足自由曲面特征与其他特征间的约束关系。通过约束定义自由曲面特征具有的语义信息,在建模过程中功能属性被很好地维护,实现了对自由曲面特征在参数化层次上的
针对大图数据的一种表达方法——K2树,提出了相应的压缩优化算法。该算法利用带有启发式规则的DFS编码对图中所有节点进行重新编码,并通过自适应调整参数K,使得K2树能够充分利用网络中的社团结构特性,从而降低空间代价。给出了K2树的优化算法描述,并针对一系列真实网络和模拟网络进行了实验,验证了优化算法具有较好的压缩效果。
针对目前无线传感器网络(WSNs)研究中的数据融合问题,引入的移动agent(MA)是一种新的且有效的解决方法。提出一种WSNs中基于改进定向扩散(DD)的MA机制(IDDMA)。基于DD协议,通过扩展DD协议接口和添加MAEE滤器,使MA框架在WSNs中得以实现;提出一种改进的DD算法(IDD),通过各节点之间在算法过程中建立的最优梯度(gradient)信息来指导MA有效地完成节点间迁移路由的
为了提高图像置乱性能,把具有非周期性、遍历性、伪随机性和对初值的高度敏感性的混沌系统应用到图像置乱中,提出了基于混沌的数字图像置乱算法。为了得到最好的置乱效果,采用混合蛙跳算法来优化置乱算法的参数。通过算法的仿真实验表明该算法具有较好的置乱效果,并具有较强的抗剪切攻击和抗噪声攻击能力。
针对油茶果采摘机器人机器视觉系统实用性要求,提出了一种基于偏好多目标蜂群算法以解决油茶果目标多特征融合问题。在对油茶果采摘图像进行色差阈值分割后,分别提取分割区域的典型颜色、形态及纹理特征中的八个特征量作为偏好区域对油茶果多特征参数的识别。实验结果表明,使用多特征参数融合方法的识别率较之单特征方法有所提高,在晴天时提高了91.27%,在阴天时提高了94.88%;同时平均识别时间控制在3 500 m
针对集中式情报系统存在单点失效而导致整体失效、情报中心须事先确定、其角色与系统拓扑过于紧耦合、信息融合能力不能满足多信息源的处理要求等问题,结合Petri网分析和描述情报分发过程,提出一种构建于对等网络之上的基于主题的自组织情报分发模型,并给出融合和分发核心算法。应用事件代理自组织成Gnutella P2P网络进行验证,其结果显示,系统能够较好解决以上问题,同时具有较高的时效性。
通过分析FCM、PCM、IPCM和PFCM等流行的聚类算法和它们在噪声环境下所面临的问题,提出一种概率模糊聚类新算法(SWPFCM),该算法结合样本加权和一种适用于噪音环境下的初始化聚类中心的方法,可以有效地消除噪声对聚类结果的影响。实验表明,SWPFCM算法具有处理大量噪声数据的能力,但对于没有噪声或噪声很少时,效果不明显,当目标样本集中出现噪声时,使用SWPFCM算法聚类将会得到满意的聚类结果