图6-4给出了3种仿真场景下算法得到的最重拓扑,图,,表示3种仿真场景中运行DMST算法得到的近似最优的最小生成树,图,,表示对应的CG算法的结果。在仿真中,仅考虑RC中的可行解来与CG算法比较。图6-7给出了两种算法在3种仿真场景中的运算结果。......
2023-07-02
本章从最小生成树的角度出发,研究了空间信息网络中的分布式拓扑控制问题。引入最小生成树来表示具有最小开销的网络连通方案,构建了树枝平均权重最小化模型。为了在获得精确的次优解同时大幅降低计算复杂度,首先,提出了一种分布式自底向上的最小生成树构造方法,该方法包括两个阶段:第一个阶段通过自底向上方法构建一棵生成树;第二个阶段通过图论中的边置换方法获得一棵次优的最小生成树。然后,在最小生成树的基础上,提出了满足节点连通度需求的链路平均权重最小化算法。
仿真结果表明:提出的分布式最小生成树算法能够在较低的计算复杂度和较少的信令交换条件下确保生成具有近似最优的最小生成树;与地面网络中的自底向上算法相比,提出的算法在不同类型的空间信息网络中能够实现2.95%~9.47%的性能提升,且具有更为平滑的变化趋势,更适合拓扑结构高动态变化的空间信息网络场景。提出的满足节点连通度需求的链路平均权重最小化算法与随机连接算法相比,当取节点自由度分别为3,4,5时,在低轨道卫星网络中,提出的算法分别降低了约9.57%,16.27%,18.94%的链路平均权重;在同步轨道星群网络中分别降低了约78.42%,87.16%,92.37%;而在多层空间信息网络中分别降低了约68.15%,78.06%,80.93%。
有关空间激光微波混合信息网络技术的文章
图6-4给出了3种仿真场景下算法得到的最重拓扑,图,,表示3种仿真场景中运行DMST算法得到的近似最优的最小生成树,图,,表示对应的CG算法的结果。在仿真中,仅考虑RC中的可行解来与CG算法比较。图6-7给出了两种算法在3种仿真场景中的运算结果。......
2023-07-02
在空间信息网络中,由于星群节点的异构性,不同的节点可能需要不同的连通度来满足不同任务的需要。然而,在一个生成树中,节点的连通度几乎肯定是无法保证的。因此在本节中,将基于一棵最小生成树,通过提出的连通度保证算法,在网络中增加某些额外的边来满足节点连通度的需求,同时算法还需要保持网络中的平均链路权重尽量地小。表6-4节点连通度保证算法伪代码(续表)......
2023-07-02
目前有大量文献针对最小生成树的构造问题进行研究。Zhou等人基于BUA算法,提出了节点自由度约束下的具有最大代数连通度的生成树算法。近年来,除了在网络中寻找具有最小开销的连通链路之外,最小生成树也在其他领域发挥了重要的作用。......
2023-07-02
算法第一阶段中的贪婪启发式算法确保了构建一个生成树,但是无法确保平均权重最小,即不能构建最小生成树。因此,第二阶段的目的是最小化生成树中链路的平均权重。显然,用Rij中的一条边代替eij,必然会降低i或j的度,同时改变生成树的平均链路权重,并且不会破坏树的完整性。这一过程反复迭代,直到所有的边与它们的潜在边集合中的边相比都具有最小的权重,所以最后的结果是平均权重最小化之后的生成树,可以认为是最小生成树。......
2023-07-02
计算这些序列的频率和时间平均方差形成特征向量,利用此特征向量数据进行了多方面的实验,验证其在人的行为识别方面的有效性。实验表明,当分段长度达到30帧以上时,就可获得很高的分类精度,且分段长度的变化对识别精度影响就会很小了。......
2023-06-16
“需要”和“满足”作为主观化的意志,而身体即是客体化了的意志。感性的接受性基础,正是被意志客体化了的身体,它是一切感觉经验的直接的基础;同样,知性的自发性,正是源于被意志主观化了的需要一满足活动,它是一切知识所以可能的真正的基础和发起者。同时,我们也只有通过身体活动,才能表象认识的真正基础——需要和满足,即认识的开始(需要)和认识的完成(满足),都有赖于对我们而言唯一的客体——身体。......
2023-11-17
以上探索性因子分析初步验证了游客不当行为量表的构思效度,仍需进一步通过验证性因子分析,检验游客不当行为量表各因子与其测量题项是否符合设计的理论关系。验证性因子分析要求样本数量不少于量表测量题项数的10倍,本研究测量题项数为21,有效样本总数为305,故达到验证性因子分析的标准。表3-10游客不当行为量表及各维度信度检验结果4.验证性因子分析过程与结果为检验游客不当行为维度构思的效度,需要进行验证性因子分析。......
2023-11-17
随机森林在运算量没有显著提高的前提下提高了预测精度。随机森林对多元共线性不敏感,结果对缺失数据和非平衡的数据比较稳健,可以很好地预测多达几千个解释变量的作用,被誉为当前最好的算法之一。随机森林是一个树型分类器的集合。随机森林在建立模型以及进行预测的具体步骤如图6-8所示。图6-8随机森林建模预测步骤①用N表示原始训练集样本的个数,用M表示变量的数目。这也是随机森林的一个非常重要的优点和特点。......
2023-06-28
相关推荐