用于智能车辆系统的结构化轮廓和空间信息道路检测的优化卷积神经网络；基于链路连通性的多无人机异构网络接入选择方法

【用于智能车辆系统的结构化轮廓和空间信息道路检测的优化卷积神经网络】“据说道路检测是遥感分析中的一个主要研究领域，由于数据的复杂性，它通常很复杂，因为它在外观上有所不同，类间和类内差异较小，这往往会导致道路提取中的错误和差距”。此外，大多数监督学习技术都存在人工标注价格高或训练数据不足的问题。因此，拟引入一种新的道路检测模型。这项工作利用了一个基于VGG网络体系结构的连体完全卷积网络（称为“s-FCN-loc”），该网络考虑了语义轮廓、RGB通道和位置，从而可以在精确分割道路区域之前进行。作为主要贡献，我们进行了超像素分割，将RGB图像作为FCN网络的输入，并将图像的道路区域设置为目标。此外，使用AND运算对分割输出进行融合，以获得准确检测道路区域的最终分割输出。为了使检测更加准确，FCN的卷积层通过一种新的改进模型（称为面向距离的海狮算法（DSLnO）模型）进行优化选择。所提出的DSLnO+FCN模型实现了最小的负测度值，准确率比传统方法高8.2%。最后，在KITTI道路检测数据集上对该方法进行了评价，取得了较好的效果。对积极措施和消极措施进行了分析。

【基于链路连通性的多无人机异构网络接入选择方法】虽然无人机自组织网络已经取得了重大进展，但由于数据突增，在大多数实际应用场景中实施无人机自组织网络具有挑战性。这项工作并没有只考虑ad-hoc模式，而是同时考虑了非正交多址技术（NOMA）和ad-hoc模式来处理该问题。我们进一步提出了一个有效的框架来无缝集成这两种技术，即多无人机异构网络。具体而言，将该框架描述为一个混合整数非线性规划，其中原始问题可分解为两个子问题，即无人机对无人机模式（U2U）和无人机对地面基地模式（U2G）的接入模式选择和传输速率优化。对于接入模式选择，为了降低每架无人机的计算复杂度，基于连接时间和链路质量构建候选集。然后，选择候选集中目标函数最大化的组件作为接入点。由于U2U模式和U2G模式下的通信技术不同，可以分别在U2G模式下使用NOMA技术和在U2U模式下使用带有局部信息的信道预测方法来获得每个无人机的最佳速率。在传输速率优化方面，针对U2G模式和U2U模式提出了一种有效的算法，该算法考虑了网络连通性和链路质量对优化性能的影响。仿真结果表明，该方法可以有效地降低中断率，提高网络吞吐量。