多智能体信息融合(multi-agent information fusion,MAIF)系统主要面向多个智能体之间的信息融合、调节、交流和矛盾处理。研究针对数据高度冲突条件下的D-S证据理论失效问题,提出一种将重构的基本概率分配和信念熵相结合的多智能体系...多智能体信息融合(multi-agent information fusion,MAIF)系统主要面向多个智能体之间的信息融合、调节、交流和矛盾处理。研究针对数据高度冲突条件下的D-S证据理论失效问题,提出一种将重构的基本概率分配和信念熵相结合的多智能体系统冲突数据融合方法。该方法使用重构的基本概率分配和信念熵修正证据的可靠性,获得更合理的证据,使用Dempster组合规则将证据进行融合得到结果,在2个实验中均得到了超过90%的置信度。实验表明了该方法的有效性,提高了MAIF系统辨识过程的精度。展开更多
数据聚合是智能电网通信中的一项关键技术,能够以高效节能的方式收集用户用电数据。随着智能电表的大规模部署,这引发了诸多用户隐私方面的担忧,例如对个人生活习惯的监测。提出了一种高效且保护隐私的数据聚合方案(efficient and priva...数据聚合是智能电网通信中的一项关键技术,能够以高效节能的方式收集用户用电数据。随着智能电表的大规模部署,这引发了诸多用户隐私方面的担忧,例如对个人生活习惯的监测。提出了一种高效且保护隐私的数据聚合方案(efficient and privacy-preserving data aggregation,EPPDA)。首先,提出基于区块链的智能电网4层架构支持电力数据聚合。在架构的采集层中,改进了基础的Boneh-Goh-Nissim加密系统,使其更适合于电网隐私保护场景。在架构的平台层,利用区块链的防篡改特性对聚合数据进行有效的存储及查询。性能分析结果表明:提出的EPPDA可以满足智能电网系统的几种隐私特性。实验数据表明:EPPDA在保证数据隐私和安全的条件下降低了计算与通信成本,提高了整个方案的效率。展开更多
针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long ...针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long short-term memory with encoder-decoder,ED-BLSTM)的起重机械设备健康预测方法。对监测数据进行时序排列,在保证相同输入-输出时间步长尺寸情况下对数据集切分重组,将处理后数据集输入到卷积神经网络,提取主要特征,得到多维矩阵。采用基于编码解码器的双向长短期循环神经网络对多维矩阵进行训练,建立起重机械多时间单位步长的目标预测模型,达到长期预测起重机械设备健康状态的目的。对比实验表明,所提方法的验证损失最多降低0.474%,最少降低0.097%;预测损失最多降低1.411%,最少降低1.230%,实际预测性能有较大提高,对工业起重机械健康预测技术的发展有积极意义。展开更多
针对传统基于定向扩散命名数据网络(Directed Diffusion Named Data Network,DD-NDN)转发策略未考虑传感器节点的能量、存储、带宽的实际约束,无法完全适用于物联网大数据转发的问题,提出考虑邻居节点空间信息与能量信息的改进NDN路由...针对传统基于定向扩散命名数据网络(Directed Diffusion Named Data Network,DD-NDN)转发策略未考虑传感器节点的能量、存储、带宽的实际约束,无法完全适用于物联网大数据转发的问题,提出考虑邻居节点空间信息与能量信息的改进NDN路由转发策略。在分析传统NDN转发策略的优点与不足的基础上,建立适用于物联网大数据转发的NDN通信模型;通过邻居节点交换空间信息与剩余电量信息的方式构建转发列表,并采用贪婪转发策略实现数据的高效转发;在NDNSim仿真环境下,对相同算例进行对比验证分析。仿真结果表明,与仅考虑最邻近节点转发的定向扩散NDN方法相比,该策略的平均路由跳数、平均路由延时和丢包率分别下降了11.11%、20.40%和82.14%。展开更多
文摘多智能体信息融合(multi-agent information fusion,MAIF)系统主要面向多个智能体之间的信息融合、调节、交流和矛盾处理。研究针对数据高度冲突条件下的D-S证据理论失效问题,提出一种将重构的基本概率分配和信念熵相结合的多智能体系统冲突数据融合方法。该方法使用重构的基本概率分配和信念熵修正证据的可靠性,获得更合理的证据,使用Dempster组合规则将证据进行融合得到结果,在2个实验中均得到了超过90%的置信度。实验表明了该方法的有效性,提高了MAIF系统辨识过程的精度。
文摘数据聚合是智能电网通信中的一项关键技术,能够以高效节能的方式收集用户用电数据。随着智能电表的大规模部署,这引发了诸多用户隐私方面的担忧,例如对个人生活习惯的监测。提出了一种高效且保护隐私的数据聚合方案(efficient and privacy-preserving data aggregation,EPPDA)。首先,提出基于区块链的智能电网4层架构支持电力数据聚合。在架构的采集层中,改进了基础的Boneh-Goh-Nissim加密系统,使其更适合于电网隐私保护场景。在架构的平台层,利用区块链的防篡改特性对聚合数据进行有效的存储及查询。性能分析结果表明:提出的EPPDA可以满足智能电网系统的几种隐私特性。实验数据表明:EPPDA在保证数据隐私和安全的条件下降低了计算与通信成本,提高了整个方案的效率。
文摘针对起重机械设备健康状态多时间单位步长预测中出现的监测数据时间跨度小、数据量密集、特征多维、没有标签的问题,提出一种结合卷积神经网络(convolutional neural network,CNN)和双向编码解码长短期循环神经网络(bidirectional long short-term memory with encoder-decoder,ED-BLSTM)的起重机械设备健康预测方法。对监测数据进行时序排列,在保证相同输入-输出时间步长尺寸情况下对数据集切分重组,将处理后数据集输入到卷积神经网络,提取主要特征,得到多维矩阵。采用基于编码解码器的双向长短期循环神经网络对多维矩阵进行训练,建立起重机械多时间单位步长的目标预测模型,达到长期预测起重机械设备健康状态的目的。对比实验表明,所提方法的验证损失最多降低0.474%,最少降低0.097%;预测损失最多降低1.411%,最少降低1.230%,实际预测性能有较大提高,对工业起重机械健康预测技术的发展有积极意义。
文摘针对传统基于定向扩散命名数据网络(Directed Diffusion Named Data Network,DD-NDN)转发策略未考虑传感器节点的能量、存储、带宽的实际约束,无法完全适用于物联网大数据转发的问题,提出考虑邻居节点空间信息与能量信息的改进NDN路由转发策略。在分析传统NDN转发策略的优点与不足的基础上,建立适用于物联网大数据转发的NDN通信模型;通过邻居节点交换空间信息与剩余电量信息的方式构建转发列表,并采用贪婪转发策略实现数据的高效转发;在NDNSim仿真环境下,对相同算例进行对比验证分析。仿真结果表明,与仅考虑最邻近节点转发的定向扩散NDN方法相比,该策略的平均路由跳数、平均路由延时和丢包率分别下降了11.11%、20.40%和82.14%。
