南京邮电大学学报(自然科学版)杂志

南京邮电大学学报(自然科学版)杂志2019年第4期

• 5G双连接异构网络中基于HMM的小区预切换方案

  李贵勇,张欢,张云

  为减少5G双连接异构网络中的小区切换延迟并降低切换失败率，文中提出了基于隐马尔可夫模型的小区预切换方案，建立了以用户的历史运动轨迹为观察序列，以微小区为隐藏序列的隐马尔可夫模型。该方案通过构建位置序列并对位置序列学习，分析并预测目标微小区从而达到预切换的目的。实验和仿真结果表明，所提出的方案在正确预测的情况下，切换失败率相比传统切换要低24%，切换延迟降低了58.5%，为5G双连接异构网络中的小区切换提供了有效方案。

• 一种基于能量效率和用户公平的NOMA下行链路功率分配方案

  陆音,包宽鑫,谢浩然

  非正交多址接入技术采用叠加编码和串行干扰消除技术，相比于传统正交多址接入方式具有更高的能量效率。但以往的研究以系统能量效率为唯一目标，往往导致用户公平性的下降，忽视了小区边缘用户服务质量。通过对能量效率最大化方案进行改进，文中提出一种同时满足系统能量效率和用户公平性的折中方案。在基站可用功率提升时，将部分功率分配给小区边缘用户，用户最低速率能够随着基站可用功率的提升而得到提高。该方案在保证小区边缘用户信息传输速率的同时，满足用户公平性需求，提升基站能量利用率。仿真结果表明，所提方案在提升用户公平性的前提下满足平均能量效率下限，基站能量利用率接近100%，实现了基站能量的高效利用。

• 基于小波字典的无源双基地SAR联合稀疏成像

  王昕,迟琛琛,李腾

  文中研究了无源双基地合成孔径雷达(Synthetic Aperture Radar,SAR)回波信号的杂波和动目标联合稀疏成像处理。由于动目标回波和静止目标信号相位历史存在较大的差异，现有成像算法通常不能同时实现动目标和杂波的聚焦成像。此外，无源双基地SAR系统中，收发分置也使得动目标回波信号参数估计和成像处理复杂度迅速增加。文中首先利用杂波抑制数据的多普勒参数进行动目标速度和位置的迭代估计。然后，建立雷达投影矩阵，构建基于完备小波字典的稀疏成像方法，并采用数据分块处理提高算法效率。最后，数值仿真实验验证了文中方法的有效性，在低信杂比和信噪比条件下仍然可以实现杂波和慢速动目标回波的聚焦成像。

• 一种改进的室内三维定位方法与实验

  王韦刚,田龙彬,张云伟

  利用无线传感器网络进行室内定位的过程中，由于信号非视距传播而引起的误差存在，会明显地降低定位精度。为了减小非视距误差对室内定位的影响，文中提出一种新的室内三维定位算法。它将接收信号强度与到达时间结合进行定位，并利用二者测量信息的一致性以减小这种影响，从而提高定位结果的准确性。该算法首先获得节点的测量距离并进行校正，然后计算各测量距离对应的可信因子，最后根据所提出的目标函数求得目标节点的坐标。实验结果表明，所提算法比传统定位算法有更好的定位效果，能显著地提高定位精度。

• 多电子标签识别的RFID防碰撞方法

  李勇,王琼

  多个电子标签识别的碰撞问题影响射频识别技术的应用与发展，系统的吞吐率与消耗时隙数直接反映防碰撞算法的性能。文中提出一种通过遗传算法搜寻最小向量模值确定标签数目的方法，当标签数目超过240个时，遗传算法估算的结果略好于Vogt算法；将动态帧时隙算法与改进的二进制树形识别方法相结合，对16~800个标签进行识别。仿真实验结果表明：系统的吞吐率最大值约为52%，最小值约为45%，比纯动态帧时隙算法和固定帧时隙算法分别提高8%和11%以上；所消耗的时隙数比纯动态帧时隙和固定帧时隙分别减少23个和120个以上。

• 基于面部结构残差网络的压缩人脸图像复原算法

  赵强,干宗良,刘峰

  文中提出了一种结合面部结构先验信息的深度残差网络，用于压缩人脸图像的复原。在训练阶段，首先训练一个用于初步复原人脸图像整体结构的预复原网络，但是不具有任何先验信息的预复原网络并不能很好地处理具有精细结构的面部组件，因此该算法在预复原网络的基础上提取5种面部组件：眼睛、眉毛、鼻子、嘴巴和脸廓，分别训练用于复原面部组件的细节增强网络。在复原阶段，结合关键点检测结果生成的面部掩膜，对不同的人脸组件使用相应的网络参数进行精准地复原。实验结果表明，文中提出的算法与现有的先进复原算法相比，不仅具有更高的PSNR和SSIM，并且在人脸组件处有更加清晰的纹理细节，有效改善了复原后人脸图像的视觉效果。

• 基于四分之一超球SVM的WSN异常检测

  华志颖,吴蒙,杨立君

  无线传感器网络（WSN）收集的数据本质上是不可靠的，因此为了提高数据质量，需要对网络进行异常值检测。文中提出了一种基于四分之一超球支持向量机（SVM）算法的异常数据检测方法，利用从传感器节点中收集到的原始数据建立支持向量机预测模型，并结合粒子群算法（PSO）找出最佳参数，然后利用最佳参数对原本的模型进行优化。以一种分布式在线方式，对正常和异常数据进行实时区分。实验结果表明，该方法可以实现异常检测的效果，并且具有较高的准确率和较低的误报率。

• 基于SWIPT的全双工中继协作系统能效研究

  闫怡菲,张顺外

  为提高无线通信能量效率以实现绿色通信，文中研究基于无线携能传输(Simultaneous Wireless Information and Power Transfer,SWIPT)技术的全双工中继协作系统能量效率优化问题，在功率分割协议下，以最大化能量效率为目标对功率分割因子和发射功率进行优化。首先，建立基于SWIPT的全双工中继协作系统模型，信源节点和目的节点配置单根天线并由电源供电，中继节点配置两根天线并通过SWIPT技术同时实现信息译码和能量收集。然后，证明能量效率是关于功率分割因子的凸函数，求解出最优功率分割因子以最大化能量效率；同时，研究了通过优化信源发射功率以提高系统能量效率的方案；并进一步提出基于迭代的联合优化算法对功率分割因子和发射功率进行联合优化。最后，通过仿真验证分析了所提优化算法的有效性，如该算法下系统能效与只优化发射功率情形相比，当功率分割因子为0.3时，能效提升约7.07%；当功率分割因子为0.1时，能效提升约61.34%。

• 智能合约中的安全与隐私保护技术

  王化群,张帆,李甜,高梦婕,杜心雨

  区块链是一种全新的分布式基础架构与计算范式，利用有序的链式数据结构存储数据，利用共识算法更新数据，利用密码学技术保障数据安全。区块链2.0的最大特性就是引入了智能合约，可以基于其架构开发各种用途的区块链应用。智能合约是一种计算机协议，能够以信息化方式传播、验证或执行合同，这些交易在没有可信第三方情况下执行、可追踪且不可逆转。但目前智能合约存在各种各样的安全和隐私保护问题，为用户带来严重的经济损失和困扰。文中分析了智能合约安全挑战与隐私威胁，整理了智能合约中安全与隐私保护关键技术，最后给出了智能合约未来的研究方向。

• 无人驾驶中3D目标检测方法研究综述

  季一木,陈治宇,田鹏浩,吴飞,刘尚东,孙静,焦志鹏,王娜,毕强

  随着激光雷达、RGB摄像头等传感器在无人驾驶领域的广泛应用，2D目标检测已不能满足无人驾驶车辆感知环境的需要。在对现有3D目标检测算法文献研究的基础上，介绍了基于RGB D、激光点云与传感器融合的3D目标检测算法，并对上述三类算法的改进方法进行了系统阐述。介绍了常用评判检测算法的测试数据集，展望了3D目标检测算法的研究前景。

• 一种基于多视图学习的群组发现方法

  王海艳,孙成成

  近年来，群组推荐因其良好的实用价值得到了广泛关注。作为群组推荐的一个重要环节，群组发现对推荐结果具有至关重要的影响。对于同一群组中的用户，用户的相似度越大，推荐的精度就越高。为了有效提升群组内用户相似度，改善推荐的精度，降低误差率，文中提出了一种基于多视图学习的群组发现方法。该方法首先提取多维度的显式信息，并用相似度矩阵表示，采用动态主题模型更新用户的偏好；然后，基于多视图学习对用户相似度矩阵分配权重，利用无监督学习训练得出隐式信息；最后，根据用户相似度矩阵和分组方法提出群组发现算法，实现用户群组划分。仿真对比实验表明本文所提的方法分组效果更好。

• 基于RBF神经网络的网络安全态势感知

  程家根,祁正华,陈天赋

  为了提高网络安全态势感知预测的精确度，文中提出了基于径向基函数（RBF）神经网络的网络安全态势预测模型。利用网络安全态势值具有非线性时间序列的特点，使用RBF神经网络找出网络安全态势值的非线性映射关系。采用混合递阶遗传算法（HHGA）对RBF神经网络的拓扑结构以及参数进行寻优，引入模拟退火算法（SA）提高遗传算法的全局搜索能力。通过实验，将所提算法与已有的预测方法进行对比，验证了所提算法在网络安全态势感知中的可行性以及预测结果的准确性。

• 多边缘节点协同下的应用卸载算法研究

  吴正坤,江凌云,穆晏如

  边缘计算的提出，为减少骨干网络的数据流量、优化物联网应用的响应延迟提供了可能。与云相比，边缘节点的计算和存储能力十分有限。为了打破边缘节点的硬件资源瓶颈，缩短应用程序完成时间，文中提出了一种基于多边缘节点协作的新型应用卸载算法（MNC）。该算法采用细粒度级别的应用程序分区方法，分析方法级组件间的依赖关系，利用网络中的可用边缘节点并行处理应用程序组件。在真实的物联网场景中，对所提出的算法与MCOP分区卸载算法、云端执行分别进行了对比，结果表明在边缘节点数量适宜时，MNC算法下应用程序总完成时间更少，能够满足大部分物联网场景的时延要求。

• 基于循环神经网络的非特定目标追踪方法研究

  葛垚,陈瑞,童莹,曹雪虹

  为了在目标跟踪任务中利用循环神经网络善于处理时间序列的能力，提高跟踪效果，文中针对单目标非特定物体的跟踪提出了主要基于“卷积+循环”的深度神经网络框架。框架中采用卷积神经网络提取不同层级特征、全连接网络进行特征对比，并采用循环神经网络传递物体特征和运动信息。实验方法为“离线训练+在线跟踪”。训练时为了更快收敛，将卷积层预训练权重滞后更新，并逐步增加视频长度；在线跟踪时仅更新循环神经网络间传递的隐藏状态，这样既更新了目标特征，也保证了算法的跟踪速度。最终实验结果表明，基于“卷积+循环”网络的目标跟踪器实时性达到150帧/s，与目前的一些高速跟踪算法相比，有更高的预测重叠率，且在大部分视频场景下鲁棒性更好。