针对空间信息网络存在节点资源有限,且难以提供个性化的服务的问题.本文提出了一种自适应的多约束QoS(Quality of Services)路由算法.首先,利用SDN(Software-Defined Network)实时获取链路QoS参数的特性,提出了考虑了链路质量、剩余带...针对空间信息网络存在节点资源有限,且难以提供个性化的服务的问题.本文提出了一种自适应的多约束QoS(Quality of Services)路由算法.首先,利用SDN(Software-Defined Network)实时获取链路QoS参数的特性,提出了考虑了链路质量、剩余带宽和节点负载因素的传输代价模型,建立以路径最小代价为优化目标的多约束QoS路由模型,以最大化网络吞吐量.然后,为满足不同优先级数据流的QoS需求,利用Adam(Adaptive moment estimation)算法解决多约束模型阈值自适应问题.与传统的手动设置方式相比,能够更好地适应网络变化,提供更加个性化的服务质量.最后,通过改进的蚁群算法求解多约束优化问题,利用双禁忌表优化候选节点,根据SDN可编程特性讨论了信息素挥发系数取值问题,最终求得最优路径.数值结果表明,与相关方案相比,该方法在满足空间信息网络多优先级QoS需求的同时,在算法收敛速度和网络吞吐量、负载分布指数方面具有更好的性能.展开更多
采用对抗训练的方式成为域适应算法的主流,通过域分类器将源域和目标域的特征分布对齐,减小不同域之间的特征分布差异。但是,现有的域适应方法仅将不同域数据之间的距离缩小,而没有考虑目标域数据分布与决策边界之间的关系,这会降低目...采用对抗训练的方式成为域适应算法的主流,通过域分类器将源域和目标域的特征分布对齐,减小不同域之间的特征分布差异。但是,现有的域适应方法仅将不同域数据之间的距离缩小,而没有考虑目标域数据分布与决策边界之间的关系,这会降低目标域内不同类别的特征的域内可区分性。针对现有方法的缺点,提出一种基于分类差异与信息熵对抗的无监督域适应算法(adversarial training on classification discrepancy and information entropy for unsupervised domain adaptation,ACDIE)。该算法利用两个分类器之间的不一致性对齐域间差异,同时利用最小化信息熵的方式降低不确定性,使目标域特征远离决策边界,提高了不同类别的可区分性。在数字标识数据集和Office-31数据集上的实验结果表明,ACDIE算法可以学习到更优的特征表示,域适应分类准确率有明显提高。展开更多
文摘针对空间信息网络存在节点资源有限,且难以提供个性化的服务的问题.本文提出了一种自适应的多约束QoS(Quality of Services)路由算法.首先,利用SDN(Software-Defined Network)实时获取链路QoS参数的特性,提出了考虑了链路质量、剩余带宽和节点负载因素的传输代价模型,建立以路径最小代价为优化目标的多约束QoS路由模型,以最大化网络吞吐量.然后,为满足不同优先级数据流的QoS需求,利用Adam(Adaptive moment estimation)算法解决多约束模型阈值自适应问题.与传统的手动设置方式相比,能够更好地适应网络变化,提供更加个性化的服务质量.最后,通过改进的蚁群算法求解多约束优化问题,利用双禁忌表优化候选节点,根据SDN可编程特性讨论了信息素挥发系数取值问题,最终求得最优路径.数值结果表明,与相关方案相比,该方法在满足空间信息网络多优先级QoS需求的同时,在算法收敛速度和网络吞吐量、负载分布指数方面具有更好的性能.
文摘采用对抗训练的方式成为域适应算法的主流,通过域分类器将源域和目标域的特征分布对齐,减小不同域之间的特征分布差异。但是,现有的域适应方法仅将不同域数据之间的距离缩小,而没有考虑目标域数据分布与决策边界之间的关系,这会降低目标域内不同类别的特征的域内可区分性。针对现有方法的缺点,提出一种基于分类差异与信息熵对抗的无监督域适应算法(adversarial training on classification discrepancy and information entropy for unsupervised domain adaptation,ACDIE)。该算法利用两个分类器之间的不一致性对齐域间差异,同时利用最小化信息熵的方式降低不确定性,使目标域特征远离决策边界,提高了不同类别的可区分性。在数字标识数据集和Office-31数据集上的实验结果表明,ACDIE算法可以学习到更优的特征表示,域适应分类准确率有明显提高。
