目前,机会网络算法中,绝大部分都是采取的"数据包增殖"策略,即通过数据包的复制,以期提高数据包在网络系统中的传递成功率.无论是以epidemic算法还是以Spray and wait算法为原型的改进型算法,其核心思想都是增殖.本文对传输...
详细信息
目前,机会网络算法中,绝大部分都是采取的"数据包增殖"策略,即通过数据包的复制,以期提高数据包在网络系统中的传递成功率.无论是以epidemic算法还是以Spray and wait算法为原型的改进型算法,其核心思想都是增殖.本文对传输过程进行了某种时段上的划分,提出了阶段性非增殖型传递算法(Non proliferation stage transfer algorithm)NPST.该算法的核心思想是,在系统运行的初期,系统按照其他经典算法运行,当节点中缓存的数据包达到某种条件时,系统改用非增殖型策略,节点间数据包的转发不再产生新的副本,而是以"交换"的方式进行.在系统运行的中期及后期,该算法能有效降低系统整体的路由开销及能量消耗,提高网络性能.
目的:糖尿病足溃疡的测量是临床诊断的重要一环,高精度测量与评估是高效管理的保障。目前临床上缺乏精确、便捷的测量工具。近年来人工智能技术在图形分割与识别领域中彰显了一定的潜力。本研究旨在基于深度学习方法对糖尿病足溃疡影像进行分析,构建糖尿病足溃疡智能测量模型并对其进行初步验证。方法:选取1 042例糖尿病足溃疡的图像,对溃疡边缘及不同的颜色区域进行人工标注,其中782张作为训练数据集,260张作为测试数据集。采用Mask RCNN溃疡组织颜色语义分割及RetinaNet标尺数字刻度目标检测来建立模型,将训练数据集输入模型并进行迭代。利用测试数据集验证智能测量模型。结果:基于深度学习建立了糖尿病足溃疡的智能测量模型,训练集和测试集组织颜色区域分割的mAP@.5IOU(mean average precision@.5 intersection over union)分别为87.9%和63.9%,标尺刻度数字检测的mAP@.5IOU分别为96.5%和83.4%。以测试集的人工测量结果为参照,智能测量结果的平均误差约3 mm。结论:糖尿病足溃疡智能测量模型测量糖尿病足溃疡具有较高的精确度及良好的鲁棒性,未来的研究可采用更大规模的数据样本对模型做进一步优化。
机会网络的数据交换不需要完整的路径,且传递数据是基于节点机会移动和机会相遇.相对于传统网络来说,达到了绿色节能的目的.但是机会网络中节点逐跳传递数据存在较大的传输时延和大量的数据副本,造成传递过程中节点能量的过度消耗,为了取得较小的传输时延和较少的数据副本,本文提出基于历史传输效率的最小传输延迟算法MDBHE(Minimum Delay based Historical Efficiency)算法,通过根据历史的传输效率,以构建一条局部效率高且传输时间短的传递路径.仿真实验结果表明:MDBHE算法与传统的机会路由算法相比缩短了传输时延和提升了机会网络的传递的成功率.
暂无评论